一种基于人工智能的电商运营管理数据生成系统及方法与流程

1.本发明涉及电子商务技术领域，特别涉及一种基于人工智能的电商运营管理数据生成系统及方法。


背景技术：

2.电子商务技术是依托于互联网技术和移动通信技术兴趣和发展的一种线上交易技术，随着计算机软硬件技术的飞速发展和更新换代，各种类型的电子商务系统层出不穷，例如按商务活动范围来划分，可以将电子商务系统划分为本土电商和跨境电商等；按交易主体来划分，可以将电子商务系统划分为b2b(business to business，企业对企业)、b2c(business to consumer，企业对个人)、b2b2c(business to business to consumer，企业对企业对个人)、o2o(online to offline，线上到线下)、s2b2c(supplier to business to consumer，供应商对企业对个人)、新零售等；按经营模式来划分，可以将电子商务系统划分为平台型电子商务系统、自营型电子商务系统等；另外，电子商务系统还可以按所使用的技术、所属行业以及交易对象类型等多个方面进行分类，此处不再一一列举。
3.从以上内容可以看出，电子商务系统是一个通过交易连接企业和消费者的纽带，通过电子商务系统增加消费者和企业之间的联系能够为企业提供持续不断的交易机会是企业所关心的。我们都知道，在电子商务系统中，特别是在平台型的电子商务系统中，每天都会产生大量的各种数据，这些数据中不仅包含已经达成的交易数据，也包含用户数据如新增用户量、活跃用户量、用户介绍量等，商品数据如商品类别、新增商品、下架商品、商品浏览量、商品收藏量等，交易数据如商品成交量、商品成交价格等，售后数据如商品退换、商品维修等，而这些数据中隐藏着海量的能够为企业改善运营思路、优化经营决策、提高执行效率的有用信息。目前最常见的利用这些数据的方法是人工筛选所需的数据，提前预置数据处理规则后让电子商务系统自动生成相应的数据报表和数据图表提供给企业管理者和执行人员，使其可以基于这些数据报表和数据图表进行经营决策、执行落地措施。然而这种方法非常刻板，其限定了电子商务系统中的数据利用范围和利用方式，对电子商务系统中的数据利用效率低下且浪费大量的数据资源。


技术实现要素：

4.本发明正是基于上述问题，提出了一种基于人工智能的电商运营管理数据生成系统及方法，能够直接利用电子商务系统中的海量数据生成电商运营管理数据，充分有效地利用了电子商务系统中的各种数据提高了经营决策效率。
5.有鉴于此，本发明的第一方面提出了一种基于人工智能的电商运营管理数据生成系统，包括：
6.数据监测模块，用于监测电子商务系统的业务事件数据和有效成交量数据；
7.趋势分析模块，用于分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势；
8.关联性识别模块，用于判断所述业务事件数据中每种类型的业务事件的数量的变化趋势和所述有效成交量数据的变化趋势是否具备短期关联性；
9.关联性分类模块，用于当所述业务事件数据中任一种业务事件类型的数量的变化趋势和所述有效成交量数据的变化趋势具备短期关联性时，判断所述短期关联性为正向关联还是负向关联；
10.成交量生成模块，用于当所述短期关联性为负向关联时，将所述业务事件类型的所述业务事件数据输入有效成交量数据生成模型中生成与所述业务事件数据的变化趋势正向关联的有效成交量数据；
11.决策指标确定模块，用于确定所述业务事件类型对应的业务决策指标；
12.决策指标生成模块，用于将所述业务事件数据和正向关联的有效成交量数据输入对应业务决策指标的决策模型中生成业务决策数据；
13.决策图表生成模块，用于基于所述业务决策数据生成相应的业务决策图表。
14.进一步的，在上述的电商运营管理数据生成系统中，所述趋势分析模块包括：
15.趋势分析周期配置模块，用于配置用于分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的数据趋势分析周期；
16.第一时间区间确定模块，用于将以当前时间为起点往前时间跨度为所述数据趋势分析周期的时间范围确定为趋势分析的第一时间区间；
17.事件数据合集获取模块，用于获取所述第一时间区间内的业务事件数据合集，所述业务事件数据合集包括所述电子商务系统在所述第一时间区间内的全部业务事件数据；
18.事件数据合集拆分模块，用于按业务事件的类型将所述业务事件数据合集拆分为多个业务事件数据子集；
19.事件趋势线生成模块，用于遍历所述业务事件数据子集以生成每种类型的业务事件的单位时间事件数量变化趋势线；
20.成交趋势线生成模块，用于获取所述第一时间区间内的有效成交量数据以生成所述电子商务系统的单位时间有效成交量变化趋势线。
21.进一步的，在上述的电商运营管理数据生成系统中，所述趋势分析周期配置模块包括：
22.周期边界获取模块，用于获取预先配置的最小数据趋势分析周期以及最大数据趋势分析周期；
23.累加步长配置模块，用于配置一个小于所述最小数据趋势分析周期的累加步长，所述最小数据趋势分析周期以及最大数据趋势分析周期为所述累加步长的整数倍；
24.第二时间区间确定模块，用于以所述最小数据趋势分析周期为起始值确定第二时间区间，所述第二时间区间为以当前时间为起点往前时间跨度为所述最小数据趋势分析周期的时间范围；
25.成交离散度计算模块，用于计算所述第二时间区间内的所述有效成交量数据的离散度；
26.成交离散度范围判断模块，用于判断所述第二时间区间内的所述有效成交量数据的离散度是否小于预设的离散度阈值；
27.第二时间区间累加模块，用于当所述第二时间区间内的所述有效成交量数据的离
散度小于预设的离散度阈值时，在所述第二时间区间的基础上叠加所述累加步长重新确定所述第二时间区间；
28.循环执行模块，用于循环执行上述计算所述第二时间区间内的所述有效成交量数据的离散度、判断所述第二时间区间内的所述有效成交量数据的离散度是否小于预设的离散度阈值以及当所述第二时间区间内的所述有效成交量数据的离散度小于预设的离散度阈值时，在所述最小数据趋势分析周期的基础上叠加所述累加步长重新确定所述第二时间区间的步骤；
29.趋势分析周期确定模块，用于在上述循环过程中，当所述第二时间区间内的所述有效成交量数据的离散度大于或等于预设的离散度阈值时，将所述第二时间区间确定为所述数据趋势分析周期并结束所述循环；所述趋势分析周期确定模块还用于当所述第二时间区间大于或等于所述最大数据趋势分析周期前所述第二时间区间内的所述有效成交量数据的离散度均小预设的离散度阈值时，将所述最大数据趋势分析周期确定为所述数据趋势分析周期；
30.目标离散度确定模块，用于将所述第一时间区间内的所述有效成交量数据离散度确定为目标离散度。
31.进一步的，在上述的电商运营管理数据生成系统中，所述成交离散度计算模块包括：
32.成交时间序列构建模块，用于获取所述第二时间区间内的所述有效成交量数据中的每一次成交时间构建成交时间序列ti，其中i＝(0,1,2,
…
,n-1)，即所述第二时间区间内包含n个有效成交量数据；
33.时间差值序列构建模块，用于计算所述成交时间序列ti中每两个相邻时间之间的差值构建时间差值序列：
34.δti＝t
i+1-ti；
35.所述成交离散度计算模块具体用于使用所述时间差值序列计算所述有效成交量数据的离散度：
[0036][0037]
进一步的，在上述的电商运营管理数据生成系统中，所述关联性识别模块包括：
[0038]
数据子集遍历模块，用于遍历所述业务事件数据子集；
[0039]
事件离散度计算模块，用于计算所述业务事件数据子集的业务事件离散度sk，其中k＝(0,1,2,
…
,m-1)，m为所述业务事件数据合集中的所述业务事件数据子集的数量；
[0040]
绝对差值计算模块，用于计算所述业务事件离散度sk与的性格这目标离散度s
tr
之间的绝对差值：
[0041]
δsk＝|s
k-s
tr
|；
[0042]
绝对差值范围判断模块，用于判断所述绝对差值是否落入预设的范围内；
[0043]
所述关联性识别模块具体用于当所述绝对差值落入预设的范围时，根据所述业务事件数据子集对应的单位时间事件数量变化趋势线与所述电子商务系统的单位时间有效成交量变化趋势线判断所述业务事件数据子集与所述有效成交量数据是否具备短期关联
性；
[0044]
所述关联性识别模块还用于当所述绝对差值未落入预设的范围时，跳过当前业务事件数据子集。
[0045]
进一步的，在上述的电商运营管理数据生成系统中，所述关联性识别模块还包括：
[0046]
事件平均值计算模块，用于计算所述单位时间事件数量变化趋势线的平均值：
[0047][0048]
其中t为时间变量，fk(t)第k种业务事件的单位时间事件数量相对于时间的变化趋势函数，ts为所述第一时间区间的开始时间点，te为所述第一时间区间的结束时间点；
[0049]
在所述单位时间事件数量变化趋势线上确定峰谷值序列(q
k,l
,t
l
)满足：
[0050][0051]
其中l＝(0,1,2,
…
,o-1)，o为所述单位时间事件数量变化趋势线上满足1)，o为所述单位时间事件数量变化趋势线上满足的峰谷值的数量；
[0052]
趋势线分割模块，用于使用所述峰谷值序列中的t
l
将所述单位时间事件数量变化趋势线分割为o-1个曲线段；
[0053]
事件平均斜率计算模块，用于计算每个所述曲线段的平均斜率：
[0054][0055]
滞后时间获取模块，用于获取预先配置的相关性滞后时间δt；
[0056]
积分初始化模块，用于初始化正相关积分pk＝0以及负相关积分nk＝0；
[0057]
相邻峰谷值确定模块，用于在所述单位时间有效成交量变化趋势线上的(t
l
,t
l+1
+δt)时间区间范围内确定是否存在相邻的峰谷值(q
tr,q
,t
l
+δt
l,1
)以及(q
tr,q+1
,t
l+1
+δt
l,2
)满足：
[0058][0059]
其中q
tr,q
为所述单位时间有效成交量变化趋势线上的第q个峰谷值；
[0060]
成交量平均斜率计算模块，用于在存在满足上述条件的相邻峰谷值时，计算所述单位时间有效成交量变化趋势线上的(t
l
+δt
l,1
,t
l+1
+δt
l,2
)时间区间范围内曲线段的平均斜率：
[0061][0062]
曲线段遍历模块，用于遍历将所述单位时间事件数量变化趋势线上的o-1个曲线段，对于第l个曲线段：
[0063]
当k
k,l
与k
tr,l
符号相同时，则正相关积分pk加1；
[0064]
当k
k,l
与k
tr,l
符号不同时，则负相关积分nk加1；
[0065]
所述关联性识别模块具体用于当或者大于预设的积分阈值
时，则视为所述业务事件数据子集与所述有效成交量数据具备短期关联性，所述预设的积分阈值为大于50％的数值。
[0066]
进一步的，在上述的电商运营管理数据生成系统中，所述关联性分类模块还包括：
[0067]
正向关联确定模块，用于当大于所述预设的积分阈值时，则确定所述短期关联性为正向关联；
[0068]
负向关联确定模块，用于当大于所述预设的积分阈值时，则确定所述短期关联性为负向关联。
[0069]
进一步的，在上述的电商运营管理数据生成系统中，还包括：
[0070]
历史数据获取模块，用于从所述电子商务系统的数据库中获取历史业务事件数据和历史有效成交量数据；
[0071]
历史时间段确定模块，用于根据所述历史业务事件数据和历史有效成交量数据分别确定每一种业务事件的业务事件数据子集与有效成交量数据为正向关联的历史时间段；
[0072]
模型训练模块，用于将所述历史时间段中的业务事件数据子集作为输入样本数据，所述历史时间段中的有效成交量数据作为输出样本数据训练用于根据每种类型的业务事件数据生成有效成交量数据的决策树模型。
[0073]
进一步的，在上述的电商运营管理数据生成系统中，在分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的步骤之前，还包括：
[0074]
历史数据获取模块，用于从所述电子商务系统的数据库中获取历史业务事件数据、历史有效成交量数据以及历史决策指标数据；
[0075]
历史时间段确定模块，用于根据所述历史业务事件数据和历史有效成交量数据分别确定每一种业务事件的业务事件数据子集与有效成交量数据为正向关联的历史时间段；
[0076]
模型训练模块，用于将所述历史时间段中的业务事件数据子集以及对应的有效成交量数据合并为输入样本数据，所述历史时间段中的历史决策指标数据作为输出样本数据训练用于根据每种类型的业务事件数据以及正向关联的有效成交量数据生成决策指标数据的决策树模型。
[0077]
本发明的第二方面提出了一种基于人工智能的电商运营管理数据生成方法，包括：
[0078]
监测电子商务系统的业务事件数据和有效成交量数据；
[0079]
分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势；
[0080]
判断所述业务事件数据中每种类型的业务事件的数量的变化趋势和所述有效成交量数据的变化趋势是否具备短期关联性；
[0081]
当所述业务事件数据中任一种业务事件类型的数量的变化趋势和所述有效成交量数据的变化趋势具备短期关联性时，判断所述短期关联性为正向关联还是负向关联；
[0082]
当所述短期关联性为负向关联时，将所述业务事件类型的所述业务事件数据输入有效成交量数据生成模型中生成与所述业务事件数据的变化趋势正向关联的有效成交量数据；
[0083]
确定所述业务事件类型对应的业务决策指标；
[0084]
将所述业务事件数据和正向关联的有效成交量数据输入对应业务决策指标的决
策模型中生成业务决策数据；
[0085]
基于所述业务决策数据生成相应的业务决策图表。
[0086]
进一步的，在上述的电商运营管理数据生成方法中，分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的步骤具体包括：
[0087]
配置用于分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的数据趋势分析周期；
[0088]
将以当前时间为起点往前时间跨度为所述数据趋势分析周期的时间范围确定为趋势分析的第一时间区间；
[0089]
获取所述第一时间区间内的业务事件数据合集，所述业务事件数据合集包括所述电子商务系统在所述第一时间区间内的全部业务事件数据；
[0090]
按业务事件的类型将所述业务事件数据合集拆分为多个业务事件数据子集；
[0091]
遍历所述业务事件数据子集以生成每种类型的业务事件的单位时间事件数量变化趋势线；
[0092]
获取所述第一时间区间内的有效成交量数据以生成所述电子商务系统的单位时间有效成交量变化趋势线。
[0093]
进一步的，在上述的电商运营管理数据生成方法中，配置用于分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的数据趋势分析周期的步骤具体包括：
[0094]
获取预先配置的最小数据趋势分析周期以及最大数据趋势分析周期；
[0095]
配置一个小于所述最小数据趋势分析周期的累加步长，所述最小数据趋势分析周期以及最大数据趋势分析周期为所述累加步长的整数倍；
[0096]
以所述最小数据趋势分析周期为起始值确定第二时间区间，所述第二时间区间为以当前时间为起点往前时间跨度为所述最小数据趋势分析周期的时间范围；
[0097]
计算所述第二时间区间内的所述有效成交量数据的离散度；
[0098]
判断所述第二时间区间内的所述有效成交量数据的离散度是否小于预设的离散度阈值；
[0099]
当所述第二时间区间内的所述有效成交量数据的离散度小于预设的离散度阈值时，在所述第二时间区间的基础上叠加所述累加步长重新确定所述第二时间区间；
[0100]
循环执行上述计算所述第二时间区间内的所述有效成交量数据的离散度、判断所述第二时间区间内的所述有效成交量数据的离散度是否小于预设的离散度阈值以及当所述第二时间区间内的所述有效成交量数据的离散度小于预设的离散度阈值时，在所述最小数据趋势分析周期的基础上叠加所述累加步长重新确定所述第二时间区间的步骤；
[0101]
在上述循环过程中，当所述第二时间区间内的所述有效成交量数据的离散度大于或等于预设的离散度阈值时，将所述第二时间区间确定为所述数据趋势分析周期并结束所述循环；
[0102]
当所述第二时间区间大于或等于所述最大数据趋势分析周期前所述第二时间区间内的所述有效成交量数据的离散度均小预设的离散度阈值时，将所述最大数据趋势分析周期确定为所述数据趋势分析周期；
[0103]
将所述第一时间区间内的所述有效成交量数据离散度确定为目标离散度。
[0104]
进一步的，在上述的电商运营管理数据生成方法中，计算所述第二时间区间内的所述有效成交量数据的离散度的步骤具体包括：
[0105]
获取所述第二时间区间内的所述有效成交量数据中的每一次成交时间构建成交时间序列ti，其中i＝(0,1,2,
…
,n-1)，即所述第二时间区间内包含n个有效成交量数据；
[0106]
计算所述成交时间序列ti中每两个相邻时间之间的差值构建时间差值序列：
[0107]
δti＝t
i+1-ti；
[0108]
使用所述时间差值序列计算所述有效成交量数据的离散度：
[0109][0110]
进一步的，在上述的电商运营管理数据生成方法中，判断所述业务事件数据中每种类型的业务事件的数量的变化趋势和所述有效成交量数据的变化趋势是否具备短期关联性的步骤具体包括：
[0111]
遍历所述业务事件数据子集以对每一种业务事件对应的业务事件数据子集执行所述步骤：
[0112]
计算所述业务事件数据子集的业务事件离散度sk，其中k＝(0,1,2,
…
,m-1)，m为所述业务事件数据合集中的所述业务事件数据子集的数量；
[0113]
计算所述业务事件离散度sk与的性格这目标离散度s
tr
之间的绝对差值：
[0114]
δsk＝|s
k-s
tr
|；
[0115]
判断所述绝对差值是否落入预设的范围内；
[0116]
当所述绝对差值落入预设的范围时，根据所述业务事件数据子集对应的单位时间事件数量变化趋势线与所述电子商务系统的单位时间有效成交量变化趋势线判断所述业务事件数据子集与所述有效成交量数据是否具备短期关联性；
[0117]
当所述绝对差值未落入预设的范围时，跳过当前业务事件数据子集。
[0118]
进一步的，在上述的电商运营管理数据生成方法中，根据所述业务事件数据子集对应的单位时间事件数量变化趋势线与所述电子商务系统的单位时间有效成交量变化趋势线判断所述业务事件数据子集与所述有效成交量数据是否具备短期关联性的步骤具体包括：
[0119]
计算所述单位时间事件数量变化趋势线的平均值：
[0120][0121]
其中t为时间变量，fk(t)第k种业务事件的单位时间事件数量相对于时间的变化趋势函数，ts为所述第一时间区间的开始时间点，te为所述第一时间区间的结束时间点；
[0122]
在所述单位时间事件数量变化趋势线上确定峰谷值序列(q
k,l
,t
l
)满足：
[0123][0124]
其中l＝(0,1,2,
…
,o-1)，o为所述单位时间事件数量变化趋势线上满足1)，o为所述单位时间事件数量变化趋势线上满足的峰谷值的数量；
[0125]
使用所述峰谷值序列中的t
l
将所述单位时间事件数量变化趋势线分割为o-1个曲线段；
[0126]
计算每个所述曲线段的平均斜率：
[0127][0128]
获取预先配置的相关性滞后时间δt；
[0129]
初始化正相关积分pk＝0以及负相关积分nk＝0；
[0130]
在所述单位时间有效成交量变化趋势线上的(t
l
,t
l+1
+δt)时间区间范围内确定是否存在相邻的峰谷值(q
tr,q
,t
l
+δt
l,1
)以及(q
tr,q+1
,t
l+1
+δt
l,2
)满足：
[0131][0132]
其中q
tr,q
为所述单位时间有效成交量变化趋势线上的第q个峰谷值；
[0133]
在存在满足上述条件的相邻峰谷值时，计算所述单位时间有效成交量变化趋势线上的(t
l
+δt
l,1
,t
l+1
+δt
l,2
)时间区间范围内曲线段的平均斜率：
[0134][0135]
遍历将所述单位时间事件数量变化趋势线上的o-1个曲线段，对于第l个曲线段：
[0136]
当k
k,l
与k
tr,l
符号相同时，则正相关积分pk加1；
[0137]
当k
k,l
与k
tr,l
符号不同时，则负相关积分nk加1；
[0138]
当或者大于预设的积分阈值时，则视为所述业务事件数据子集与所述有效成交量数据具备短期关联性，所述预设的积分阈值为大于50％的数值。
[0139]
进一步的，在上述的电商运营管理数据生成方法中，判断所述短期关联性为正向关联还是负向关联的步骤具体包括：
[0140]
当大于所述预设的积分阈值时，则确定所述短期关联性为正向关联；
[0141]
当大于所述预设的积分阈值时，则确定所述短期关联性为负向关联。
[0142]
进一步的，在上述的电商运营管理数据生成方法中，在分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的步骤之前，还包括：
[0143]
从所述电子商务系统的数据库中获取历史业务事件数据和历史有效成交量数据；
[0144]
根据所述历史业务事件数据和历史有效成交量数据分别确定每一种业务事件的业务事件数据子集与有效成交量数据为正向关联的历史时间段；
[0145]
将所述历史时间段中的业务事件数据子集作为输入样本数据，所述历史时间段中的有效成交量数据作为输出样本数据训练用于根据每种类型的业务事件数据生成有效成交量数据的决策树模型。
[0146]
进一步的，在上述的电商运营管理数据生成方法中，在分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的步骤之前，还包括：
[0147]
从所述电子商务系统的数据库中获取历史业务事件数据、历史有效成交量数据以及历史决策指标数据；
[0148]
根据所述历史业务事件数据和历史有效成交量数据分别确定每一种业务事件的业务事件数据子集与有效成交量数据为正向关联的历史时间段；
[0149]
将所述历史时间段中的业务事件数据子集以及对应的有效成交量数据合并为输入样本数据，所述历史时间段中的历史决策指标数据作为输出样本数据训练用于根据每种类型的业务事件数据以及正向关联的有效成交量数据生成决策指标数据的决策树模型。
[0150]
本发明提出了一种基于人工智能的电商运营管理数据生成系统及方法，根据业务事件数据中每种类型的业务事件的数量的变化趋势和有效成交量数据的变化趋势的短期关联性，将所述业务事件类型的所述业务事件数据输入有效成交量数据生成模型中生成与所述业务事件数据的变化趋势正向关联的有效成交量数据，确定所述业务事件类型对应的业务决策指标，将所述业务事件数据和正向关联的有效成交量数据输入对应业务决策指标的决策模型中生成业务决策数据，基于所述业务决策数据生成相应的业务决策图表，能够直接利用电子商务系统中的海量数据生成电商运营管理数据，充分有效地利用了电子商务系统中的各种数据提高了经营决策效率。
附图说明
[0151]
图1是本发明一个实施例提供的一种基于人工智能的电商运营管理数据生成系统的示意框图；
[0152]
图2是本发明一个实施例提供的一种基于人工智能的电商运营管理数据生成方法的流程图。
具体实施方式
[0153]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
[0154]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
[0155]
在本发明的描述中，术语“多个”则指两个或两个以上，除非另有明确的限定，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0156]
在本说明书的描述中，术语“一个实施例”、“一些实施方式”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个
实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0157]
下面参照附图来描述根据本发明一些实施方式提供的一种基于人工智能的电商运营管理数据生成系统及方法。
[0158]
如图1所示，本发明的第一方面提出了一种基于人工智能的电商运营管理数据生成系统，包括：
[0159]
数据监测模块，用于监测电子商务系统的业务事件数据和有效成交量数据；
[0160]
趋势分析模块，用于分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势；
[0161]
关联性识别模块，用于判断所述业务事件数据中每种类型的业务事件的数量的变化趋势和所述有效成交量数据的变化趋势是否具备短期关联性；
[0162]
关联性分类模块，用于当所述业务事件数据中任一种业务事件类型的数量的变化趋势和所述有效成交量数据的变化趋势具备短期关联性时，判断所述短期关联性为正向关联还是负向关联；
[0163]
成交量生成模块，用于当所述短期关联性为负向关联时，将所述业务事件类型的所述业务事件数据输入有效成交量数据生成模型中生成与所述业务事件数据的变化趋势正向关联的有效成交量数据；
[0164]
决策指标确定模块，用于确定所述业务事件类型对应的业务决策指标；
[0165]
决策指标生成模块，用于将所述业务事件数据和正向关联的有效成交量数据输入对应业务决策指标的决策模型中生成业务决策数据；
[0166]
决策图表生成模块，用于基于所述业务决策数据生成相应的业务决策图表。
[0167]
具体的，在本发明的技术方案中，业务事件是指在所述电子商务系统中由用户包括消费者和商家的主动操作所触发的能够引起所述电子商务系统中的业务指标发生变化的事件，包括但不限于用户注册事件、用户登录事件、商品点击事件、商品收藏事件、商品交易事件、评论事件、退款事件、商品上架事件、商品下架事件、商品信息修改事件等。所述业务指标是指能够用于评价所述电子商务系统运营状态的数据指标，包括但不限于用户数据指标如新增用户数、活跃用户数、留存用户数或流失用户数等，行为数据指标如点击率、收藏率、转化率等，产品数据指标数成交量、成交额、客单价、付费率、复购率等。所述业务事件数据是指所述电子商务系统中某一种或多种业务事件的事件发生时间、事件名称、事件内容及事件其它属性的集合。
[0168]
所述有效成交易数据是指所述电子商务系统中每种商品在统计时间范围内的商品成交总量剔除退款量后的有效交易数量。
[0169]
电子商务系统的运营过程中涉及多个方面的运营策略，包括但不限于库存策略、定价策略、物流策略等。其中所述业务决策指标是指对应不同运营策略方向上的运营指标，例如在库存约束下的品类结构化化策略中所涉及的不同商品的库存指标，在电商优惠策略下的折扣指标、返利指标、降价指标以及佣金指标，在物流策略上的供应商选择指标以及物流定价指标等。所述业务决策数据为所述业务决策指标的数据合集。
[0170]
确定所述业务事件类型对应的业务决策指标的步骤具体为从数据库中读取预先
配置的业务事件类型与业务决策指标的对应关系，以根据该对应关系确定所述业务事件类型对应的业务决策指标。
[0171]
所述业务决策图表包括用于展示所述业务决策数据的分布状态的图表，例如以商品类型为分布维的库存数量分布图、折扣金额分布图等，所述业务决策图表还包括用于展示所述业务事件数据的变化趋势、负向关联的所述有效成交量数据的变化趋势的曲线图以及所生成的与所述业务事件数据的变化趋势正向关联的有效成交量数据的变化趋势的曲线图。
[0172]
进一步的，在上述的电商运营管理数据生成系统中，所述趋势分析模块包括：
[0173]
趋势分析周期配置模块，用于配置用于分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的数据趋势分析周期；
[0174]
第一时间区间确定模块，用于将以当前时间为起点往前时间跨度为所述数据趋势分析周期的时间范围确定为趋势分析的第一时间区间；
[0175]
事件数据合集获取模块，用于获取所述第一时间区间内的业务事件数据合集，所述业务事件数据合集包括所述电子商务系统在所述第一时间区间内的全部业务事件数据；
[0176]
事件数据合集拆分模块，用于按业务事件的类型将所述业务事件数据合集拆分为多个业务事件数据子集；
[0177]
事件趋势线生成模块，用于遍历所述业务事件数据子集以生成每种类型的业务事件的单位时间事件数量变化趋势线；
[0178]
成交趋势线生成模块，用于获取所述第一时间区间内的有效成交量数据以生成所述电子商务系统的单位时间有效成交量变化趋势线。
[0179]
在本发明的技术方案中，以预设的监测周期执行监测电子商务系统的业务事件数据和有效成交量数据的步骤，所述监测周期可以根据所述电子商务系统的运营情况来进行配置，例如对于业务事件数量多和/或有效成交量大的电子商务系统，可以配置一个较小的监测周期，例如每半个小时或一个小时执行一次；而对于业务事件数量少且有效成交量少的电子商务系统，则可以配置一个较大的监测周期，例如一天甚至是一周执行一次。
[0180]
所述的当前时间指的是当前监测周期内开始执行分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的步骤的时间。
[0181]
在上述关施方式的技术方案中，所述每种类型的业务事件的单位时间事件数量变化趋势线为使用每种类型的业务事件的离散的单位时间数量所拟合得到的每种类型的业务事件的单位时间事件数量相对于时间的变化趋势函数；同样的，所述电子商务系统的单位时间有效成交量变化趋势线为使用所述电子商务系统的单位时间有效成交量所拟合得到的所述电子商务系统的单位时间有效成交量相对于时间的变化趋势函数。
[0182]
进一步的，在上述的电商运营管理数据生成系统中，所述趋势分析周期配置模块包括：
[0183]
周期边界获取模块，用于获取预先配置的最小数据趋势分析周期以及最大数据趋势分析周期；
[0184]
累加步长配置模块，用于配置一个小于所述最小数据趋势分析周期的累加步长，所述最小数据趋势分析周期以及最大数据趋势分析周期为所述累加步长的整数倍；
[0185]
第二时间区间确定模块，用于以所述最小数据趋势分析周期为起始值确定第二时
间区间，所述第二时间区间为以当前时间为起点往前时间跨度为所述最小数据趋势分析周期的时间范围；
[0186]
成交离散度计算模块，用于计算所述第二时间区间内的所述有效成交量数据的离散度；
[0187]
成交离散度范围判断模块，用于判断所述第二时间区间内的所述有效成交量数据的离散度是否小于预设的离散度阈值；
[0188]
第二时间区间累加模块，用于当所述第二时间区间内的所述有效成交量数据的离散度小于预设的离散度阈值时，在所述第二时间区间的基础上叠加所述累加步长重新确定所述第二时间区间；
[0189]
循环执行模块，用于循环执行上述计算所述第二时间区间内的所述有效成交量数据的离散度、判断所述第二时间区间内的所述有效成交量数据的离散度是否小于预设的离散度阈值以及当所述第二时间区间内的所述有效成交量数据的离散度小于预设的离散度阈值时，在所述最小数据趋势分析周期的基础上叠加所述累加步长重新确定所述第二时间区间的步骤；
[0190]
趋势分析周期确定模块，用于在上述循环过程中，当所述第二时间区间内的所述有效成交量数据的离散度大于或等于预设的离散度阈值时，将所述第二时间区间确定为所述数据趋势分析周期并结束所述循环；所述趋势分析周期确定模块还用于当所述第二时间区间大于或等于所述最大数据趋势分析周期前所述第二时间区间内的所述有效成交量数据的离散度均小预设的离散度阈值时，将所述最大数据趋势分析周期确定为所述数据趋势分析周期；
[0191]
目标离散度确定模块，用于将所述第一时间区间内的所述有效成交量数据离散度确定为目标离散度。
[0192]
在本发明一些实施方式的技术方案中，所述数据趋势分析周期可以配置为固定值或者动态值，所述数据趋势分析周期可以根据运行所述电子商务系统的计算机设备的算力来进行配置，在所述有效成交量数据的离散度较低时，所述数据趋势分析周期越长分析结果就越准确，但所需耗费的计算资源就越多。在本发明的一些实施方式中，分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的步骤还可以借助其它计算机设备来完成，例如可以另行构建分布式计算机集群以提供所述电子商务系统所需要的算力，或者借用三方云计算服务来完成上述计算。
[0193]
进一步的，在上述的电商运营管理数据生成系统中，所述成交离散度计算模块包括：
[0194]
成交时间序列构建模块，用于获取所述第二时间区间内的所述有效成交量数据中的每一次成交时间构建成交时间序列ti，其中i＝(0,1,2,
…
,n-1)，即所述第二时间区间内包含n个有效成交量数据；
[0195]
时间差值序列构建模块，用于计算所述成交时间序列ti中每两个相邻时间之间的差值构建时间差值序列：
[0196]
δti＝t
i+1-ti；
[0197]
所述成交离散度计算模块具体用于使用所述时间差值序列计算所述有效成交量数据的离散度：
[0198][0199]
在上述实施方式的技术方案中，所述时间差值序列中的时间差值数量为n-1，即δti和δtj中的下标i和j的最大值为n-2。
[0200]
进一步的，在上述的电商运营管理数据生成系统中，所述关联性识别模块包括：
[0201]
数据子集遍历模块，用于遍历所述业务事件数据子集；
[0202]
事件离散度计算模块，用于计算所述业务事件数据子集的业务事件离散度sk，其中k＝(0,1,2,
…
,m-1)，m为所述业务事件数据合集中的所述业务事件数据子集的数量；
[0203]
绝对差值计算模块，用于计算所述业务事件离散度sk与的性格这目标离散度s
tr
之间的绝对差值：
[0204]
δsk＝|s
k-s
tr
|；
[0205]
绝对差值范围判断模块，用于判断所述绝对差值是否落入预设的范围内；
[0206]
所述关联性识别模块具体用于当所述绝对差值落入预设的范围时，根据所述业务事件数据子集对应的单位时间事件数量变化趋势线与所述电子商务系统的单位时间有效成交量变化趋势线判断所述业务事件数据子集与所述有效成交量数据是否具备短期关联性；
[0207]
所述关联性识别模块还用于当所述绝对差值未落入预设的范围时，跳过当前业务事件数据子集。
[0208]
具体的，每一个业务事件数据子集对应一种业务事件类型，所述业务事件数据合集中的所述业务事件数据子集的数量即为所述业务事件数据中的业务事件类型的数量。优选的，采用较小的粒度对所述业务事件的类型进行划分，以评论事件为例，可以进一步将所述评论事件划分为好评事件、中评事件或差评事件。在上述实施方式的技术方案中，采用与计算所述第二时间区间内的所述有效成交量数据的离散度相同的方式，遍历所述业务事件数据子集以获取每种业务事件的发生时间，据此构建相应的时间序列，从而使用该时间序列计算其离散度。
[0209]
在上述实施方式的技术方案中，判断所述绝对差值是否落入预设的范围内具体为判断所述绝对差值是否小于预设的阈值，据此判断相应类型的业务事件的业务事件数据子集与所述有效成交量数据的离散度的近似性，当两者之间离散度的近似性较低时，则所述绝对差值较大，从而无需对其变化趋势的短期关联性进行判断；反之，则进一步判断其短期关联性。
[0210]
进一步的，在上述的电商运营管理数据生成系统中，所述关联性识别模块还包括：
[0211]
事件平均值计算模块，用于计算所述单位时间事件数量变化趋势线的平均值：
[0212][0213]
其中t为时间变量，fk(t)第k种业务事件的单位时间事件数量相对于时间的变化趋势函数，ts为所述第一时间区间的开始时间点，te为所述第一时间区间的结束时间点；
[0214]
在所述单位时间事件数量变化趋势线上确定峰谷值序列(q
k,l
,t
l
)满足：
[0215][0216]
其中l＝(0,1,2,
…
,o-1)，o为所述单位时间事件数量变化趋势线上满足1)，o为所述单位时间事件数量变化趋势线上满足的峰谷值的数量；
[0217]
趋势线分割模块，用于使用所述峰谷值序列中的t
l
将所述单位时间事件数量变化趋势线分割为o-1个曲线段；
[0218]
事件平均斜率计算模块，用于计算每个所述曲线段的平均斜率：
[0219][0220]
滞后时间获取模块，用于获取预先配置的相关性滞后时间δt；
[0221]
积分初始化模块，用于初始化正相关积分pk＝0以及负相关积分nk＝0；
[0222]
相邻峰谷值确定模块，用于在所述单位时间有效成交量变化趋势线上的(t
l
,t
l+1
+δt)时间区间范围内确定是否存在相邻的峰谷值(q
tr,q
,t
l
+δt
l,1
)以及(q
tr,q+1
,t
l+1
+δt
l,2
)满足：
[0223][0224]
其中q
tr,q
为所述单位时间有效成交量变化趋势线上的第q个峰谷值；
[0225]
成交量平均斜率计算模块，用于在存在满足上述条件的相邻峰谷值时，计算所述单位时间有效成交量变化趋势线上的(t
l
+δt
l,1
,t
l+1
+δt
l,2
)时间区间范围内曲线段的平均斜率：
[0226][0227]
曲线段遍历模块，用于遍历将所述单位时间事件数量变化趋势线上的o-1个曲线段，对于第l个曲线段：
[0228]
当k
k,l
与k
tr,l
符号相同时，则正相关积分pk加1；
[0229]
当k
k,l
与k
tr,l
符号不同时，则负相关积分nk加1；
[0230]
所述关联性识别模块具体用于当或者大于预设的积分阈值时，则视为所述业务事件数据子集与所述有效成交量数据具备短期关联性，所述预设的积分阈值为大于50％的数值。
[0231]
具体的，在该实施方式的技术方案中，峰谷值序列(q
k,l
,t
k,l
)中由峰值和谷值交替构成，当q
k,l
为峰值时，则q
k,l+1
为谷值；反之，当q
k,l
为谷值时，则q
k,l+1
为峰值。同样的，当q
tr,q
为峰值时，则q
tr,q+1
为谷值；反之当q
tr,q
为谷值时，则q
tr,q+1
为峰值。
[0232]
在上述实施方式的技术方案中，k
k,l
与k
tr,l
符号相同指是两者均为正数或者均为负数；同理，k
k,l
与k
tr,l
符号不同指的是两者之间存在一个为正数，另一个为负数的情况。
[0233]
为了满足(t
l+1
+δt
l,2
)-(t
l
+δt
l,1
)≈(t
l+1-t
l
)，有三种可能的情况，一种是δt
l,1
和δt
l,2
均非常小，或者是δt
l,1
≈δt
l,2
，或者是上述两种情况均满足。
[0234]
进一步的，在上述的电商运营管理数据生成系统中，所述关联性分类模块还包括：
[0235]
正向关联确定模块，用于当大于所述预设的积分阈值时，则确定所述短期关联性为正向关联；
[0236]
负向关联确定模块，用于当大于所述预设的积分阈值时，则确定所述短期关联性为负向关联。
[0237]
进一步的，在上述的电商运营管理数据生成系统中，还包括：
[0238]
历史数据获取模块，用于从所述电子商务系统的数据库中获取历史业务事件数据和历史有效成交量数据；
[0239]
历史时间段确定模块，用于根据所述历史业务事件数据和历史有效成交量数据分别确定每一种业务事件的业务事件数据子集与有效成交量数据为正向关联的历史时间段；
[0240]
模型训练模块，用于将所述历史时间段中的业务事件数据子集作为输入样本数据，所述历史时间段中的有效成交量数据作为输出样本数据训练用于根据每种类型的业务事件数据生成有效成交量数据的决策树模型。
[0241]
在上述实施方式的技术方案中，根据每种类型的业务事件数据生成有效成交量数据的决策树模型即为所述有效成交量数据生成模型。
[0242]
进一步的，在上述的电商运营管理数据生成系统中，在分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的步骤之前，还包括：
[0243]
历史数据获取模块，用于从所述电子商务系统的数据库中获取历史业务事件数据、历史有效成交量数据以及历史决策指标数据；
[0244]
历史时间段确定模块，用于根据所述历史业务事件数据和历史有效成交量数据分别确定每一种业务事件的业务事件数据子集与有效成交量数据为正向关联的历史时间段；
[0245]
模型训练模块，用于将所述历史时间段中的业务事件数据子集以及对应的有效成交量数据合并为输入样本数据，所述历史时间段中的历史决策指标数据作为输出样本数据训练用于根据每种类型的业务事件数据以及正向关联的有效成交量数据生成决策指标数据的决策树模型。
[0246]
在上述实施方式的技术方案中，将所述历史时间段中的业务事件数据子集以及对应的有效成交量数据合并为输入样本数据具体包括：
[0247]
采用与根据所述业务事件数据子集对应的单位时间事件数量变化趋势线与所述电子商务系统的单位时间有效成交量变化趋势线判断所述业务事件数据子集与所述有效成交量数据是否具备短期关联性的步骤中相同的方式将所述业务事件数据子集对应的单位时间事件数量变化趋势线按所述峰谷值序列中的t
l
分割为o-1个曲线段；
[0248]
同样的，将与所述业务事件数据子集正向关联的有效成交量数据对应的单位时间有效成交量变化趋势线按的(t
l
+δt
l,
,t
l+1
+δt
l,
)的区间相应分割为o-1个曲线段；
[0249]
将上述两组o-1个曲线段量化后进行合并以转换为输入样本数据矩阵。
[0250]
在上述实施方式的技术方案中，根据每种类型的业务事件数据以及正向关联的有效成交量数据生成决策指标数据的决策树模型即为所述决策模型。
[0251]
如图2所示，本发明的第二方面提出了一种基于人工智能的电商运营管理数据生成方法，包括：
[0252]
监测电子商务系统的业务事件数据和有效成交量数据；
[0253]
分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势；
[0254]
判断所述业务事件数据中每种类型的业务事件的数量的变化趋势和所述有效成交量数据的变化趋势是否具备短期关联性；
[0255]
当所述业务事件数据中任一种业务事件类型的数量的变化趋势和所述有效成交量数据的变化趋势具备短期关联性时，判断所述短期关联性为正向关联还是负向关联；
[0256]
当所述短期关联性为负向关联时，将所述业务事件类型的所述业务事件数据输入有效成交量数据生成模型中生成与所述业务事件数据的变化趋势正向关联的有效成交量数据；
[0257]
确定所述业务事件类型对应的业务决策指标；
[0258]
将所述业务事件数据和正向关联的有效成交量数据输入对应业务决策指标的决策模型中生成业务决策数据；
[0259]
基于所述业务决策数据生成相应的业务决策图表。
[0260]
具体的，在本发明的技术方案中，业务事件是指在所述电子商务系统中由用户包括消费者和商家的主动操作所触发的能够引起所述电子商务系统中的业务指标发生变化的事件，包括但不限于用户注册事件、用户登录事件、商品点击事件、商品收藏事件、商品交易事件、评论事件、退款事件、商品上架事件、商品下架事件、商品信息修改事件等。所述业务指标是指能够用于评价所述电子商务系统运营状态的数据指标，包括但不限于用户数据指标如新增用户数、活跃用户数、留存用户数或流失用户数等，行为数据指标如点击率、收藏率、转化率等，产品数据指标数成交量、成交额、客单价、付费率、复购率等。所述业务事件数据是指所述电子商务系统中某一种或多种业务事件的事件发生时间、事件名称、事件内容及事件其它属性的集合。
[0261]
所述有效成交易数据是指所述电子商务系统中每种商品在统计时间范围内的商品成交总量剔除退款量后的有效交易数量。
[0262]
电子商务系统的运营过程中涉及多个方面的运营策略，包括但不限于库存策略、定价策略、物流策略等。其中所述业务决策指标是指对应不同运营策略方向上的运营指标，例如在库存约束下的品类结构化化策略中所涉及的不同商品的库存指标，在电商优惠策略下的折扣指标、返利指标、降价指标以及佣金指标，在物流策略上的供应商选择指标以及物流定价指标等。所述业务决策数据为所述业务决策指标的数据合集。
[0263]
确定所述业务事件类型对应的业务决策指标的步骤具体为从数据库中读取预先配置的业务事件类型与业务决策指标的对应关系，以根据该对应关系确定所述业务事件类型对应的业务决策指标。
[0264]
所述业务决策图表包括用于展示所述业务决策数据的分布状态的图表，例如以商品类型为分布维的库存数量分布图、折扣金额分布图等，所述业务决策图表还包括用于展示所述业务事件数据的变化趋势、负向关联的所述有效成交量数据的变化趋势的曲线图以及所生成的与所述业务事件数据的变化趋势正向关联的有效成交量数据的变化趋势的曲线图。
[0265]
进一步的，在上述的电商运营管理数据生成方法中，分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的步骤具体包括：
[0266]
配置用于分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋
势的数据趋势分析周期；
[0267]
将以当前时间为起点往前时间跨度为所述数据趋势分析周期的时间范围确定为趋势分析的第一时间区间；
[0268]
获取所述第一时间区间内的业务事件数据合集，所述业务事件数据合集包括所述电子商务系统在所述第一时间区间内的全部业务事件数据；
[0269]
按业务事件的类型将所述业务事件数据合集拆分为多个业务事件数据子集；
[0270]
遍历所述业务事件数据子集以生成每种类型的业务事件的单位时间事件数量变化趋势线；
[0271]
获取所述第一时间区间内的有效成交量数据以生成所述电子商务系统的单位时间有效成交量变化趋势线。
[0272]
在本发明的技术方案中，以预设的监测周期执行监测电子商务系统的业务事件数据和有效成交量数据的步骤，所述监测周期可以根据所述电子商务系统的运营情况来进行配置，例如对于业务事件数量多和/或有效成交量大的电子商务系统，可以配置一个较小的监测周期，例如每半个小时或一个小时执行一次；而对于业务事件数量少且有效成交量少的电子商务系统，则可以配置一个较大的监测周期，例如一天甚至是一周执行一次。
[0273]
所述的当前时间指的是当前监测周期内开始执行分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的步骤的时间。
[0274]
在上述关施方式的技术方案中，所述每种类型的业务事件的单位时间事件数量变化趋势线为使用每种类型的业务事件的离散的单位时间数量所拟合得到的每种类型的业务事件的单位时间事件数量相对于时间的变化趋势函数；同样的，所述电子商务系统的单位时间有效成交量变化趋势线为使用所述电子商务系统的单位时间有效成交量所拟合得到的所述电子商务系统的单位时间有效成交量相对于时间的变化趋势函数。
[0275]
进一步的，在上述的电商运营管理数据生成方法中，配置用于分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的数据趋势分析周期的步骤具体包括：
[0276]
获取预先配置的最小数据趋势分析周期以及最大数据趋势分析周期；
[0277]
配置一个小于所述最小数据趋势分析周期的累加步长，所述最小数据趋势分析周期以及最大数据趋势分析周期为所述累加步长的整数倍；
[0278]
以所述最小数据趋势分析周期为起始值确定第二时间区间，所述第二时间区间为以当前时间为起点往前时间跨度为所述最小数据趋势分析周期的时间范围；
[0279]
计算所述第二时间区间内的所述有效成交量数据的离散度；
[0280]
判断所述第二时间区间内的所述有效成交量数据的离散度是否小于预设的离散度阈值；
[0281]
当所述第二时间区间内的所述有效成交量数据的离散度小于预设的离散度阈值时，在所述第二时间区间的基础上叠加所述累加步长重新确定所述第二时间区间；
[0282]
循环执行上述计算所述第二时间区间内的所述有效成交量数据的离散度、判断所述第二时间区间内的所述有效成交量数据的离散度是否小于预设的离散度阈值以及当所述第二时间区间内的所述有效成交量数据的离散度小于预设的离散度阈值时，在所述最小数据趋势分析周期的基础上叠加所述累加步长重新确定所述第二时间区间的步骤；
[0283]
在上述循环过程中，当所述第二时间区间内的所述有效成交量数据的离散度大于或等于预设的离散度阈值时，将所述第二时间区间确定为所述数据趋势分析周期并结束所述循环；
[0284]
当所述第二时间区间大于或等于所述最大数据趋势分析周期前所述第二时间区间内的所述有效成交量数据的离散度均小预设的离散度阈值时，将所述最大数据趋势分析周期确定为所述数据趋势分析周期；
[0285]
将所述第一时间区间内的所述有效成交量数据离散度确定为目标离散度。
[0286]
在本发明一些实施方式的技术方案中，所述数据趋势分析周期可以配置为固定值或者动态值，所述数据趋势分析周期可以根据运行所述电子商务系统的计算机设备的算力来进行配置，在所述有效成交量数据的离散度较低时，所述数据趋势分析周期越长分析结果就越准确，但所需耗费的计算资源就越多。在本发明的一些实施方式中，分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的步骤还可以借助其它计算机设备来完成，例如可以另行构建分布式计算机集群以提供所述电子商务系统所需要的算力，或者借用三方云计算服务来完成上述计算。
[0287]
进一步的，在上述的电商运营管理数据生成方法中，计算所述第二时间区间内的所述有效成交量数据的离散度的步骤具体包括：
[0288]
获取所述第二时间区间内的所述有效成交量数据中的每一次成交时间构建成交时间序列ti，其中i＝(0,1,2,
…
,n-1)，即所述第二时间区间内包含n个有效成交量数据；
[0289]
计算所述成交时间序列ti中每两个相邻时间之间的差值构建时间差值序列：
[0290]
δti＝t
i+1-ti；
[0291]
使用所述时间差值序列计算所述有效成交量数据的离散度：
[0292][0293]
在上述实施方式的技术方案中，所述时间差值序列中的时间差值数量为n-1，即δti和δtj中的下标i和j的最大值为n-2。
[0294]
进一步的，在上述的电商运营管理数据生成方法中，判断所述业务事件数据中每种类型的业务事件的数量的变化趋势和所述有效成交量数据的变化趋势是否具备短期关联性的步骤具体包括：
[0295]
遍历所述业务事件数据子集以对每一种业务事件对应的业务事件数据子集执行所述步骤：
[0296]
计算所述业务事件数据子集的业务事件离散度sk，其中k＝(0,1,2,
…
,m-1)，m为所述业务事件数据合集中的所述业务事件数据子集的数量；
[0297]
计算所述业务事件离散度sk与的性格这目标离散度s
tr
之间的绝对差值：
[0298]
δsk＝|s
k-s
tr
|；
[0299]
判断所述绝对差值是否落入预设的范围内；
[0300]
当所述绝对差值落入预设的范围时，根据所述业务事件数据子集对应的单位时间事件数量变化趋势线与所述电子商务系统的单位时间有效成交量变化趋势线判断所述业务事件数据子集与所述有效成交量数据是否具备短期关联性；
[0301]
当所述绝对差值未落入预设的范围时，跳过当前业务事件数据子集。
[0302]
具体的，每一个业务事件数据子集对应一种业务事件类型，所述业务事件数据合集中的所述业务事件数据子集的数量即为所述业务事件数据中的业务事件类型的数量。优选的，采用较小的粒度对所述业务事件的类型进行划分，以评论事件为例，可以进一步将所述评论事件划分为好评事件、中评事件或差评事件。在上述实施方式的技术方案中，采用与计算所述第二时间区间内的所述有效成交量数据的离散度相同的方式，遍历所述业务事件数据子集以获取每种业务事件的发生时间，据此构建相应的时间序列，从而使用该时间序列计算其离散度。
[0303]
在上述实施方式的技术方案中，判断所述绝对差值是否落入预设的范围内具体为判断所述绝对差值是否小于预设的阈值，据此判断相应类型的业务事件的业务事件数据子集与所述有效成交量数据的离散度的近似性，当两者之间离散度的近似性较低时，则所述绝对差值较大，从而无需对其变化趋势的短期关联性进行判断；反之，则进一步判断其短期关联性。
[0304]
进一步的，在上述的电商运营管理数据生成方法中，根据所述业务事件数据子集对应的单位时间事件数量变化趋势线与所述电子商务系统的单位时间有效成交量变化趋势线判断所述业务事件数据子集与所述有效成交量数据是否具备短期关联性的步骤具体包括：
[0305]
计算所述单位时间事件数量变化趋势线的平均值：
[0306][0307]
其中t为时间变量，fk(t)第k种业务事件的单位时间事件数量相对于时间的变化趋势函数，ts为所述第一时间区间的开始时间点，te为所述第一时间区间的结束时间点；
[0308]
在所述单位时间事件数量变化趋势线上确定峰谷值序列(q
k,l
,t
l
)满足：
[0309][0310]
其中l＝(0,1,2,
…
,o-1)，o为所述单位时间事件数量变化趋势线上满足1)，o为所述单位时间事件数量变化趋势线上满足的峰谷值的数量；
[0311]
使用所述峰谷值序列中的t
l
将所述单位时间事件数量变化趋势线分割为o-1个曲线段；
[0312]
计算每个所述曲线段的平均斜率：
[0313][0314]
获取预先配置的相关性滞后时间δt；
[0315]
初始化正相关积分pk＝0以及负相关积分nk＝0；
[0316]
在所述单位时间有效成交量变化趋势线上的(t
l
,t
l+1
+δt)时间区间范围内确定是否存在相邻的峰谷值(q
tr,q
,t
l
+δt
l,1
)以及(q
tr,q+1
,t
l+1
+δt
l,2
)满足：
[0317][0318]
其中q
tr,q
为所述单位时间有效成交量变化趋势线上的第q个峰谷值；
[0319]
在存在满足上述条件的相邻峰谷值时，计算所述单位时间有效成交量变化趋势线上的(t
l
+δt
l,1
,t
l+1
+δt
l,2
)时间区间范围内曲线段的平均斜率：
[0320][0321]
遍历将所述单位时间事件数量变化趋势线上的o-1个曲线段，对于第l个曲线段：
[0322]
当k
k,l
与k
tr,l
符号相同时，则正相关积分pk加1；
[0323]
当k
k,l
与k
tr,l
符号不同时，则负相关积分nk加1；
[0324]
当或者大于预设的积分阈值时，则视为所述业务事件数据子集与所述有效成交量数据具备短期关联性，所述预设的积分阈值为大于50％的数值。
[0325]
具体的，在该实施方式的技术方案中，峰谷值序列(q
k,l
,t
k,l
)中由峰值和谷值交替构成，当q
k,l
为峰值时，则q
k,l+1
为谷值；反之，当q
k,l
为谷值时，则q
k,l+1
为峰值。同样的，当q
tr,q
为峰值时，则q
tr,q+1
为谷值；反之当q
tr,q
为谷值时，则q
tr,q+1
为峰值。
[0326]
在上述实施方式的技术方案中，k
k,l
与k
tr,l
符号相同指是两者均为正数或者均为负数；同理，k
k,l
与k
tr,l
符号不同指的是两者之间存在一个为正数，另一个为负数的情况。
[0327]
为了满足(t
l+1
+δt
l,2
)-(t
l
+δt
l,1
)≈(t
l+1-t
l
)，有三种可能的情况，一种是δt
l,1
和δt
l,2
均非常小，或者是δt
l,1
≈δt
l,2
，或者是上述两种情况均满足。
[0328]
进一步的，在上述的电商运营管理数据生成方法中，判断所述短期关联性为正向关联还是负向关联的步骤具体包括：
[0329]
当大于所述预设的积分阈值时，则确定所述短期关联性为正向关联；
[0330]
当大于所述预设的积分阈值时，则确定所述短期关联性为负向关联。
[0331]
进一步的，在上述的电商运营管理数据生成方法中，在分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的步骤之前，还包括：
[0332]
从所述电子商务系统的数据库中获取历史业务事件数据和历史有效成交量数据；
[0333]
根据所述历史业务事件数据和历史有效成交量数据分别确定每一种业务事件的业务事件数据子集与有效成交量数据为正向关联的历史时间段；
[0334]
将所述历史时间段中的业务事件数据子集作为输入样本数据，所述历史时间段中的有效成交量数据作为输出样本数据训练用于根据每种类型的业务事件数据生成有效成交量数据的决策树模型。
[0335]
在上述实施方式的技术方案中，根据每种类型的业务事件数据生成有效成交量数据的决策树模型即为所述有效成交量数据生成模型。
[0336]
进一步的，在上述的电商运营管理数据生成方法中，在分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的步骤之前，还包括：
[0337]
从所述电子商务系统的数据库中获取历史业务事件数据、历史有效成交量数据以
及历史决策指标数据；
[0338]
根据所述历史业务事件数据和历史有效成交量数据分别确定每一种业务事件的业务事件数据子集与有效成交量数据为正向关联的历史时间段；
[0339]
将所述历史时间段中的业务事件数据子集以及对应的有效成交量数据合并为输入样本数据，所述历史时间段中的历史决策指标数据作为输出样本数据训练用于根据每种类型的业务事件数据以及正向关联的有效成交量数据生成决策指标数据的决策树模型。
[0340]
在上述实施方式的技术方案中，将所述历史时间段中的业务事件数据子集以及对应的有效成交量数据合并为输入样本数据具体包括：
[0341]
采用与根据所述业务事件数据子集对应的单位时间事件数量变化趋势线与所述电子商务系统的单位时间有效成交量变化趋势线判断所述业务事件数据子集与所述有效成交量数据是否具备短期关联性的步骤中相同的方式将所述业务事件数据子集对应的单位时间事件数量变化趋势线按所述峰谷值序列中的t
l
分割为o-1个曲线段；
[0342]
同样的，将与所述业务事件数据子集正向关联的有效成交量数据对应的单位时间有效成交量变化趋势线按的(t
l
+δt
l,1
,t
l+1
+δt
l,2
)的区间相应分割为o-1个曲线段；
[0343]
将上述两组o-1个曲线段量化后进行合并以转换为输入样本数据矩阵。
[0344]
在上述实施方式的技术方案中，根据每种类型的业务事件数据以及正向关联的有效成交量数据生成决策指标数据的决策树模型即为所述决策模型。
[0345]
应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0346]
依照本发明的实施例如上文所述，这些实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施例。显然，根据以上描述，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利要求书及其全部范围和等效物的限制。

技术特征：
1.一种基于人工智能的电商运营管理数据生成系统，其特征在于，包括：数据监测模块，用于监测电子商务系统的业务事件数据和有效成交量数据；趋势分析模块，用于分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势；关联性识别模块，用于判断所述业务事件数据中每种类型的业务事件的数量的变化趋势和所述有效成交量数据的变化趋势是否具备短期关联性；关联性分类模块，用于当所述业务事件数据中任一种业务事件类型的数量的变化趋势和所述有效成交量数据的变化趋势具备短期关联性时，判断所述短期关联性为正向关联还是负向关联；成交量生成模块，用于当所述短期关联性为负向关联时，将所述业务事件类型的所述业务事件数据输入有效成交量数据生成模型中生成与所述业务事件数据的变化趋势正向关联的有效成交量数据；决策指标确定模块，用于确定所述业务事件类型对应的业务决策指标；决策指标生成模块，用于将所述业务事件数据和正向关联的有效成交量数据输入对应业务决策指标的决策模型中生成业务决策数据；决策图表生成模块，用于基于所述业务决策数据生成相应的业务决策图表。2.一种基于人工智能的电商运营管理数据生成方法，其特征在于，包括：监测电子商务系统的业务事件数据和有效成交量数据；分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势；判断所述业务事件数据中每种类型的业务事件的数量的变化趋势和所述有效成交量数据的变化趋势是否具备短期关联性；当所述业务事件数据中任一种业务事件类型的数量的变化趋势和所述有效成交量数据的变化趋势具备短期关联性时，判断所述短期关联性为正向关联还是负向关联；当所述短期关联性为负向关联时，将所述业务事件类型的所述业务事件数据输入有效成交量数据生成模型中生成与所述业务事件数据的变化趋势正向关联的有效成交量数据；确定所述业务事件类型对应的业务决策指标；将所述业务事件数据和正向关联的有效成交量数据输入对应业务决策指标的决策模型中生成业务决策数据；基于所述业务决策数据生成相应的业务决策图表。3.根据权利要求2所述的电商运营管理数据生成方法，其特征在于，分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的步骤具体包括：配置用于分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的数据趋势分析周期；将以当前时间为起点往前时间跨度为所述数据趋势分析周期的时间范围确定为趋势分析的第一时间区间；获取所述第一时间区间内的业务事件数据合集，所述业务事件数据合集包括所述电子商务系统在所述第一时间区间内的全部业务事件数据；按业务事件的类型将所述业务事件数据合集拆分为多个业务事件数据子集；遍历所述业务事件数据子集以生成每种类型的业务事件的单位时间事件数量变化趋
势线；获取所述第一时间区间内的有效成交量数据以生成所述电子商务系统的单位时间有效成交量变化趋势线。4.根据权利要求3所述的电商运营管理数据生成方法，其特征在于，配置用于分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的数据趋势分析周期的步骤具体包括：获取预先配置的最小数据趋势分析周期以及最大数据趋势分析周期；配置一个小于所述最小数据趋势分析周期的累加步长，所述最小数据趋势分析周期以及最大数据趋势分析周期为所述累加步长的整数倍；以所述最小数据趋势分析周期为起始值确定第二时间区间，所述第二时间区间为以当前时间为起点往前时间跨度为所述最小数据趋势分析周期的时间范围；计算所述第二时间区间内的所述有效成交量数据的离散度；判断所述第二时间区间内的所述有效成交量数据的离散度是否小于预设的离散度阈值；当所述第二时间区间内的所述有效成交量数据的离散度小于预设的离散度阈值时，在所述第二时间区间的基础上叠加所述累加步长重新确定所述第二时间区间；循环执行上述计算所述第二时间区间内的所述有效成交量数据的离散度、判断所述第二时间区间内的所述有效成交量数据的离散度是否小于预设的离散度阈值以及当所述第二时间区间内的所述有效成交量数据的离散度小于预设的离散度阈值时，在所述最小数据趋势分析周期的基础上叠加所述累加步长重新确定所述第二时间区间的步骤；在上述循环过程中，当所述第二时间区间内的所述有效成交量数据的离散度大于或等于预设的离散度阈值时，将所述第二时间区间确定为所述数据趋势分析周期并结束所述循环；当所述第二时间区间大于或等于所述最大数据趋势分析周期前所述第二时间区间内的所述有效成交量数据的离散度均小预设的离散度阈值时，将所述最大数据趋势分析周期确定为所述数据趋势分析周期；将所述第一时间区间内的所述有效成交量数据离散度确定为目标离散度。5.根据权利要求4所述的电商运营管理数据生成方法，其特征在于，计算所述第二时间区间内的所述有效成交量数据的离散度的步骤具体包括：获取所述第二时间区间内的所述有效成交量数据中的每一次成交时间构建成交时间序列t
i
，其中i＝(0,1,2,
…
,n-1)，即所述第二时间区间内包含n个有效成交量数据；计算所述成交时间序列t
i
中每两个相邻时间之间的差值构建时间差值序列：δt
i
＝t
i+1-t
i
；使用所述时间差值序列计算所述有效成交量数据的离散度：6.根据权利要求4所述的电商运营管理数据生成方法，其特征在于，判断所述业务事件数据中每种类型的业务事件的数量的变化趋势和所述有效成交量数据的变化趋势是否具
备短期关联性的步骤具体包括：遍历所述业务事件数据子集以对每一种业务事件对应的业务事件数据子集执行所述步骤：计算所述业务事件数据子集的业务事件离散度s
k
，其中k＝(0,1,2,
…
,m-1)，m为所述业务事件数据合集中的所述业务事件数据子集的数量；计算所述业务事件离散度s
k
与的性格这目标离散度s
tr
之间的绝对差值：δs
k
＝|s
k-s
tr
|；判断所述绝对差值是否落入预设的范围内；当所述绝对差值落入预设的范围时，根据所述业务事件数据子集对应的单位时间事件数量变化趋势线与所述电子商务系统的单位时间有效成交量变化趋势线判断所述业务事件数据子集与所述有效成交量数据是否具备短期关联性；当所述绝对差值未落入预设的范围时，跳过当前业务事件数据子集。7.根据权利要求6所述的电商运营管理数据生成方法，其特征在于，根据所述业务事件数据子集对应的单位时间事件数量变化趋势线与所述电子商务系统的单位时间有效成交量变化趋势线判断所述业务事件数据子集与所述有效成交量数据是否具备短期关联性的步骤具体包括：计算所述单位时间事件数量变化趋势线的平均值：其中t为时间变量，f
k
(t)第k种业务事件的单位时间事件数量相对于时间的变化趋势函数，t
s
为所述第一时间区间的开始时间点，t
e
为所述第一时间区间的结束时间点；在所述单位时间事件数量变化趋势线上确定峰谷值序列(q
k，l
，t
l
)满足：其中l＝(0，1，2，
…
，o-1)，o为所述单位时间事件数量变化趋势线上满足1)，o为所述单位时间事件数量变化趋势线上满足的峰谷值的数量；使用所述峰谷值序列中的t
l
将所述单位时间事件数量变化趋势线分割为o-1个曲线段；计算每个所述曲线段的平均斜率：获取预先配置的相关性滞后时间δt；初始化正相关积分p
k
＝0以及负相关积分n
k
＝0；在所述单位时间有效成交量变化趋势线上的(t
l
，t
l+1
+δt)时间区间范围内确定是否存在相邻的峰谷值(q
tr，q
，t
l
+δt
l，1
)以及(q
tr，q+1
，t
l+1
+δt
l，2
)满足：其中q
tr，q
为所述单位时间有效成交量变化趋势线上的第q个峰谷值；在存在满足上述条件的相邻峰谷值时，计算所述单位时间有效成交量变化趋势线上的
(t
l
+δt
l，1
，t
l+1
+δt
l，2
)时间区间范围内曲线段的平均斜率：遍历将所述单位时间事件数量变化趋势线上的o-1个曲线段，对于第l个曲线段：当k
k，l
与k
tr，l
符号相同时，则正相关积分p
k
加1；当k
k,l
与k
tr,
符号不同时，则负相关积分n
k
加1；当或者大于预设的积分阈值时，则视为所述业务事件数据子集与所述有效成交量数据具备短期关联性，所述预设的积分阈值为大于50％的数值。8.根据权利要求7所述的电商运营管理数据生成方法，其特征在于，判断所述短期关联性为正向关联还是负向关联的步骤具体包括：当大于所述预设的积分阈值时，则确定所述短期关联性为正向关联；当大于所述预设的积分阈值时，则确定所述短期关联性为负向关联。9.根据权利要求1所述的电商运营管理数据生成方法，其特征在于，在分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的步骤之前，还包括：从所述电子商务系统的数据库中获取历史业务事件数据和历史有效成交量数据；根据所述历史业务事件数据和历史有效成交量数据分别确定每一种业务事件的业务事件数据子集与有效成交量数据为正向关联的历史时间段；将所述历史时间段中的业务事件数据子集作为输入样本数据，所述历史时间段中的有效成交量数据作为输出样本数据训练用于根据每种类型的业务事件数据生成有效成交量数据的决策树模型。10.根据权利要求1所述的电商运营管理数据生成方法，其特征在于，在分析所述业务事件数据的变化趋势以及所述有效成交量数据的变化趋势的步骤之前，还包括：从所述电子商务系统的数据库中获取历史业务事件数据、历史有效成交量数据以及历史决策指标数据；根据所述历史业务事件数据和历史有效成交量数据分别确定每一种业务事件的业务事件数据子集与有效成交量数据为正向关联的历史时间段；将所述历史时间段中的业务事件数据子集以及对应的有效成交量数据合并为输入样本数据，所述历史时间段中的历史决策指标数据作为输出样本数据训练用于根据每种类型的业务事件数据以及正向关联的有效成交量数据生成决策指标数据的决策树模型。

技术总结
本发明提出了一种基于人工智能的电商运营管理数据生成系统及方法，根据业务事件数据中每种类型的业务事件的数量的变化趋势和有效成交量数据的变化趋势的短期关联性，将所述业务事件类型的所述业务事件数据输入有效成交量数据生成模型中生成与所述业务事件数据的变化趋势正向关联的有效成交量数据，确定所述业务事件类型对应的业务决策指标，将所述业务事件数据和正向关联的有效成交量数据输入对应业务决策指标的决策模型中生成业务决策数据，基于所述业务决策数据生成相应的业务决策图表，能够直接利用电子商务系统中的海量数据生成电商运营管理数据，充分有效地利用了电子商务系统中的各种数据提高了经营决策效率。子商务系统中的各种数据提高了经营决策效率。子商务系统中的各种数据提高了经营决策效率。


技术研发人员：蓝万生 陈晓惠 刘志森 李忠礼
受保护的技术使用者：零一创造欢乐（深圳）科技有限公司
技术研发日：2023.05.10
技术公布日：2023/8/13