[发明专利]一种针对电商平台家电零售数据的销量异常识别方法

说明书

本发明公开了一种针对电商平台家电零售数据的销量异常识别方法，包括以下步骤：通过长期积累的分渠道数据，采用多层神经网络分类算法经过反复训练，获得一份高可用的训练集，规则库；系统首先进行自动化处理，输出可信分级结果，根据可信分级，首先根据复审规则库和流程进行自动复审，如果现有规则库无法识别，由人工进行复审，每一次复审的结果，人工更新复审规则库，选择是否将样本加入训练集中，后续遇到相同场景时，根据设定自动处理。本发明通过线上采集获得家电及消费电子的零售数据，利用大数据分析挖掘技术和机器学习算法，对异常的销量和单价进行识别清洗，为家电行业提供准确的行业消费数据库。

技术领域

本发明涉及的是一种销量异常识别方法，具体涉及一种针对电商平台家电零售数据的销量异常识别方法。

背景技术

当前对异常销售量数据的快速有效判断方法，市场基本上没有。主要的方法通过市场情报数据，人工逐一对数据进行核对，这种方法不仅效率极低，市场情报数据的准确性也难以判断。另一种方式是基于大数原理或正态分布，将明显高于常规的数据和不符合正态分布规则的数据剔除。这种方式相对第一种方法效率高，但准确性较差。由于各品牌为了提升PR影响力，店主为了制造热门商品等，人为干预销量数据比较普遍。各品牌商一方面希望获得竞争对手的真实数据，同时又在人为释放“烟雾”数据，作为一个中立权威数据机构，向市场提供及时、客观、准确数据是公司最核心的竞争力。

现有技术手段，有两种实现方案，一是以人工核对为主；二是通过设定一些简单阀值，系统自动化处理；两种方式分别代表两种极端，前者数据相对准确，但效率低，成本高，及时性差；后者处理速度快，效率高，及时性好，但准确性差。

综上所述，本发明设计了一种针对电商平台家电零售数据的销量异常识别方法。

发明内容

针对现有技术上存在的不足，本发明目的是在于提供一种针对电商平台家电零售数据的销量异常识别方法，通过线上(电商平台)采集获得家电及消费电子的零售数据(核心指标数据为销售量，销售价)，利用大数据分析挖掘技术和机器学习算法，对异常的销量和单价进行识别清洗，为家电行业提供准确的行业消费数据库；为家电及消费电子行业提供整体市场分析、细分市场分析、品牌主在不同渠道，区域的占比变化分析。

为了实现上述目的，本发明是通过如下的技术方案来实现：一种针对电商平台家电零售数据的销量异常识别方法，包括以下步骤：通过长期积累的分渠道数据，采用多层神经网络分类算法经过反复训练，获得一份高可用的训练集，规则库。系统首先进行自动化处理，输出可信分级结果(即多种可能的类别，如0：正常；1：复审；2：异常)，根据可信分级，首先根据复审规则库和流程进行自动复审，如果现有规则库无法识别，由人工进行复审，每一次复审的结果，人工更新复审规则库，选择是否将样本加入训练集中，后续遇到相同场景时，可根据设定自动处理。

一种针对电商平台家电零售数据的销量异常识别系统，包括基础分类器、智能选择器和人工复核，所述的基础分类器模拟人类大脑认识物体的方式对输入进行分类。为了提高精确性和鲁棒性，设置多层进行分析，其中第一层为输入层，对数据进行初分类，修剪等，最后一层为输出层，中间设置两层隐藏层；最终分类结果为正常，复审，异常，所以设置分类数为3类，最大迭代次数设定为100.基本的处理流程有：创建前向反馈拓扑；计算梯度；权值更新等步骤。

所述的基础分类器包括原始数据结构、预处理成标签特征向量数据、输入原始数据和输出处理结果，所述的原始数据结构分类标示为：0：正常；1：复审；2：异常；所述的预处理成标签特征向量数据是通过特征哈希来完成特征向量转化；所述的输入原始数据不带分类，通过系统处理之后，添加上分类标识；所述的输出处理结果是经过多层神经网络分类算法处理之后的结果；分类标识说明：0：正常；1：复审；2：异常。