一种基于数据分析的服装电商智能监测分析系统的制作方法

1.本发明属于服装电商监测分析技术领域，涉及到一种基于数据分析的服装电商智能监测分析系统。
技术背景
2.近年来，随着经济的快速发展和科学水平的快速提高，服装电商产业也愈发兴盛，通过电商购买女性服装的方式逐渐被大众所接纳，但是由于消费者经常存在有退货问题，为了保障电商女性服装的安全性，对于女性服装电商货物监测分析也就愈发重要。
3.目前对于女性服装电商货物监测主要是针对女性服装电商的销售量进行分析，没有结合女性服装电商的退货信息进行分析，很显然，当前对女性服装电商监测分析还存在以下几点不足：1、当前没有对各客户可能产生退货的需求进行分析，在一定程度上无法保障店铺后续补货的需求，容易造成店铺后续补货过多导致店铺存在积压服装的现象存在，进而无法保障后续店铺的正常运营。
4.2、当前没有对各顾客历史购买信息进行分析，进而无法得到各顾客对应的目标服装退货概率系数，在一定程度上降低了店铺的退货预判能力，容易产生对店铺本身的不利影响，不利于店铺销量水平的提升，容易造成潜在的影响，降低了店铺的售后处理能力。


技术实现要素：

5.鉴于以上现有技术存在的问题，本发明提供一种基于数据分析的服装电商智能监测分析系统，用于解决据上述技术问题。
6.为了实现上述目的及其他目的，本发明采用的技术方案如下：本发明提供了一种基于数据分析的服装电商智能监测分析系统，该系统包括店铺信息获取模块、顾客购买信息获取模块、顾客基本信息获取模块、顾客历史信息获取模块、顾客退货概率评估模块、店铺服装销售量预估模块、仓库补货分析模块和电商信息库。
7.所述店铺信息获取模块，用于获取目标电商店铺目标服装对应的库存量。
8.所述顾客购买信息获取模块，用于获取各顾客当次在目标电商店铺的购买信息。
9.所述顾客基本信息获取模块，用于从电商信息库中提取得出各顾客对应的基本信息，其中，基本信息包括身高和体重。
10.所述顾客历史信息获取模块，用于从电商信息库中提取出各顾客在目标电商店铺对应的历史购买信息。
11.所述顾客退货概率评估模块，用于根据各顾客当次在目标电商店铺的购买信息和历史购买信息，进而评估得到各顾客对应的目标服装退货概率系数。
12.所述店铺服装销售量预估模块，用于从电商信息库中提取出目标电商店铺的历史销售信息，进而分析得出目标电商店铺当前月份对应的目标服装预销售量。
13.所述仓库补货分析模块，用于各顾客对应的目标服装退货概率系数、目标电商店铺对应的目标服装预销售量和目标服装对应的库存量综合判断分析目标电商店铺的补货
需求。
14.在本技术较佳的技术方案中，所述各顾客当次在目标电商店铺的购买信息包括购买目标服装数量、购买目标服装对应的尺码、目标服装对应的价格和目标服装对应的风格类型。
15.在本技术较佳的技术方案中，所述历史购买信息包括历史购买服装风格类型和历史购买服装尺码。
16.在本技术较佳的技术方案中，所述评估得到各顾客对应的目标服装退货概率系数，具体评估过程如下：a1、获取各顾客当次在目标电商店铺的购买信息和历史购买信息，进而得到各顾客当次在目标电商店铺购买的目标服装尺码和风格类型，同时还得到各顾客历史购买服装风格类型和尺码。
17.a2、将各顾客当次在目标电商店铺对应的目标服装尺码和历史购买服装尺码进行比对，若某顾客当次在目标电商店铺购买的目标服装尺码与历史购买服装尺码比对不一致，则判定该顾客当次在目标电商店铺购买的目标服装为预退货服装，进而将该顾客对于该服装的退货预估系数α
″
，反之则判定该顾客当次在目标电商店铺购买的该服装为不退货服装，并将该顾客对于目标服装的退货预估系数α
′
，以此得到各顾客当次在目标电商店铺购买目标服装对应的初步尺码退货评估系数αs，αs取值为α
″
或α
′
，且α
″
》α
′
，其中，s表示为各顾客对应的编号，s＝1,2,......y。
18.a3、根据从电商信息库提取的目标电商店铺历史购买各标记顾客信息，进而得到目标电商店铺历史购买各标记顾客的身高和体重和尺码，将各标记顾客身高和体重与各顾客身高和体重进行比对，将各顾客的身高和体重与数据库存储的各身高和体重对应的体重等级进行比对，进而得到各顾客对应的体重等级，同时还将各标记顾客的身高和体重与数据库存储的各身高和体重对应的体重等级进行比对，进而得到各标记顾客对应的体重等级，将各顾客对应的体重等级与各标记顾客对应的体重等级进行比对，若某顾客对应的体重等级与某标记顾客对应的体重等级比对一致，则判定该顾客与该标记顾客身高和体重属于同一等级，进而得到与各顾客身高和体重属于同一等级的各标记顾客对应的编号，并将与各顾客身高和体重属于同一等级的各标记顾客记为各参考顾客，进而得到各参考顾客对应的尺码的好评率，并将各参考顾客对应的尺码的好评率进行相互比对筛选，进而筛选得出好评率排列靠前的尺码，将好评率排列靠前的尺码与各顾客当次在目标电商店铺对应的目标服装尺码进行比对，进而按照各顾客当次在目标电商店铺购买目标服装对应的初步退货评估系数的分析方式同理得到各顾客当次在目标电商店铺购买目标服装对应的尺码退货评估系数βs。
19.在本技术较佳的技术方案中，所述评估得到各顾客对应的目标服装退货概率系数，具体评估过程如下：b1、将各顾客当次在目标电商店铺对应的目标服装风格类型和历史购买服装风格类型进行比对，若某顾客当次在目标电商店铺对应的目标服装风格类型与历史购买服装风格类型匹配不一致，则判定该顾客当次在目标电商店铺购买的目标服装为需求退货服装，进而将该顾客对于该服装的退货预估指数χ
′
，反之则判定该顾客当次在目标电商店铺购买的目标服装为无需退货服装，并将该顾客对于目标服装的退货预估指数χ
″
，以此得到各顾客当次在目标电商店铺购买目标服装对应的尺码退货分析指数χs，χ取值为χ
′
或χ
″
，且χ
′
》χ
″
。
20.b2、进而利用计算公式计算得到各顾客对应的目标服装退货概率系数δs，其中，a1和a2分别表示为顾客尺码和风格类型对应的权重因子，a3和a4分别表示为初步尺码退货评估系数和尺码退货评估系数对应的影响因子，且a1》a2。
21.在本技术较佳的技术方案中，所述目标电商店铺的历史销售信息包括各往年各月份的目标服装销售量。
22.在本技术较佳的技术方案中，所述分析得出目标电商店铺当前月份对应的目标服装预销售量，具体分析过程如下：c1、根据目标电商店铺的历史销售信息，从中提取出目标电商店铺各往年各月份的目标服装销售量，将目标电商店铺各往年各月份的目标服装销售量代入到服装销售趋势模型图中，即可得到目标电商店铺各往年各月份的目标服装销售量对应的销售趋势，进而利用计算公式计算得出目标电商店铺各往年对应的销售额增长速率εi，其中，i表示为各往年对应的编号,i＝1,2,......j,m表示为各月份对应的编号，m＝1,2,......n，xs
im
表示为第i个往年中第m个月份对应的目标服装销售量，表示为第i个往年中第m-1个月份对应的目标服装销售量，m表示为月份的总数量。
23.c2、进而根据当前月份，从电商信息库中得到目标服装对应的旺季月份，将当前月份对应的月份日期与目标服装对应的旺季月份进行比对，若当前月份对应的月份日期与目标服装对应的旺季月份比对一致，则判定当前月份为旺季月份，进而得到目标服装对应的销售增长系数反之则判定当前月份为淡季月份，进而得到目标服装对应的销售增长系数由此得到目标服装对应的销售增长评估系数由此得到目标服装对应的销售增长评估系数取值为或且
24.c3、从目标电商店铺各往年各月份的目标服装销售量提取出设定年份当前月份对应的目标服装销售额，进而依据分析公式计算得出目标电商店铺当前月份对应的目标服装预销售量φ，其中，xs表示为设定年份当前月份对应的目标服装销售额，j表示为往年的总数量，e表示为自然常数。
25.在本技术较佳的技术方案中，所述综合判断分析目标电商店铺的补货需求，具体判断过程如下：r1、将各顾客对应的目标服装退货概率系数与设定的服装标准退货概率系数进行比对，若某顾客对应的目标服装退货概率系数大于或等于设定的服装标准退货概率系数，则判定该顾客为需要退货，进而统计需要退货的顾客总数量，根据各顾客当次在目标电商店铺的购买信息，从中提取出需要退货的顾客购买对应的目标服装数量，进而提取需要退货的各顾客对应的编号，并统计需要退货的顾客对应的总数量，还用于根据目标电商店铺目标服装对应的库存量，利用计算公式m0＝m1+m2*m3，计算得出目标电商店铺对应目标服装预估库存量m0，其中，m1表示为目标电商店铺目标服装对应的库存量，m2表示为需要退货的顾客对应总数量，m3表示为需要退货的顾客购买对应的目标服装数量。
26.r2、将目标电商店铺对应目标服装预估库存量与目标电商店铺当前月份对应的目标服装预销售量进行比对，若目标电商店铺对应目标服装预估库存量大于或等于目标电商
店铺当前月份对应的目标服装预销售量，则判定目标电商店铺需要补货，若目标电商店铺对应目标服装预估库存量小于目标电商店铺当前月份对应的目标服装预销售量，则判定目标电商店铺无需补货。
27.在本技术较佳的技术方案中，所述电商信息库，用于存储目标服装对应的旺季月份和各顾客对应的基本信息，还用于存储目标电商店铺历史购买各标记顾客信息、历史销售信息、各顾客对应的基本信息、各顾客在目标电商店铺对应的各次历史购买信息和目标电商店铺历史购买各标记顾客信息，其中，历史购买各顾客信息包括身高和体重、尺码和尺码好评率。
28.如上所述，本发明提供的一种基于数据分析的服装电商智能监测分析系统，至少具有以下有益效果：本发明提供的一种基于数据分析的服装电商智能监测分析系统，通过对在目标电商店铺购买目标服装的各顾客进行分析，得到各顾客对应的目标服装退货概率系数，还用于根据目标电商店铺的历史销售信息，分析得出目标电商店铺当前月份对应的目标服装预销售量，进而结合目标服装对应的库存量综合判断分析目标电商店铺的补货需求，一方面，有效的解决了当前对于电商服装监测还存在局限性的问题，在一定程度上保障了店铺后续补货的需求，避免造成店铺后续补货过多导致店铺存在积压服装的现象存在，进而保障了后续店铺的正常运营，另一方面，通过对各顾客历史购买信息进行分析，得到各顾客对应的目标服装退货概率系数，在一定程度上提高了店铺的退货预判能力，有利于店铺销量水平的提升，提高了店铺的售后处理能力。
附图说明
29.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
30.图1为本发明系统各模块连接示意图。
具体实施方式
31.下面将结合本发明实施以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
32.请参阅图1所示，一种基于数据分析的服装电商智能监测分析系统，所述该系统包括店铺信息获取模块、顾客购买信息获取模块、顾客基本信息获取模块、顾客历史信息获取模块、顾客退货概率评估模块、店铺服装销售量预估模块、仓库补货分析模块和电商信息库。
33.所述顾客退货概率评估模块与店铺信息获取模块、顾客购买信息获取模块、顾客基本信息获取模块和顾客历史信息获取模块连接，仓库补货分析模块与顾客退货概率评估模块和店铺服装销售量预估模块连接，电商信息库与店铺信息获取模块、顾客购买信息获取模块、顾客基本信息获取模块和顾客历史信息获取模块连接。
34.所述店铺信息获取模块，用于获取目标电商店铺目标服装对应的库存量。
35.所述顾客购买信息获取模块，用于获取各顾客当次在目标电商店铺的购买信息。
36.作为上述方案的进一步优化，所述各顾客当次在目标电商店铺的购买信息包括购买目标服装数量、购买目标服装对应的尺码、目标服装对应的价格和目标服装对应的风格类型。
37.所述顾客基本信息获取模块，用于从电商信息库中提取得出各顾客对应的基本信息，其中，基本信息包括身高和体重。
38.所述顾客历史信息获取模块，用于从电商信息库中提取出各顾客在目标电商店铺对应的历史购买信息。
39.作为上述方案的进一步优化，所述历史购买信息包括历史购买服装风格类型和历史购买服装尺码。
40.在一个具体地实施例中，将历史购买服装最多的风格类型作为历史购买服装风格类型，将历史购买服装最多的尺码作为历史购买服装尺码。
41.所述顾客退货概率评估模块，用于根据各顾客当次在目标电商店铺的购买信息和历史购买信息，进而评估得到各顾客对应的目标服装退货概率系数。
42.作为上述方案的进一步优化，所述评估得到各顾客对应的目标服装退货概率系数，具体评估过程如下：a1、获取各顾客当次在目标电商店铺的购买信息和历史购买信息，进而得到各顾客当次在目标电商店铺购买的目标服装尺码和风格类型，同时还得到各顾客历史购买服装风格类型和尺码。
43.a2、将各顾客当次在目标电商店铺对应的目标服装尺码和历史购买服装尺码进行比对，若某顾客当次在目标电商店铺购买的目标服装尺码与历史购买服装尺码比对不一致，则判定该顾客当次在目标电商店铺购买的目标服装为预退货服装，进而将该顾客对于该服装的退货预估系数α
″
，反之则判定该顾客当次在目标电商店铺购买的该服装为不退货服装，并将该顾客对于目标服装的退货预估系数α
′
，以此得到各顾客当次在目标电商店铺购买目标服装对应的初步尺码退货评估系数αs，αs取值为α
″
或α
′
，且α
″
》α
′
，其中，s表示为各顾客对应的编号，s＝1,2,......y。
44.a3、根据从电商信息库提取的目标电商店铺历史购买各标记顾客信息，进而得到目标电商店铺历史购买各标记顾客的身高和体重和尺码，将各标记顾客身高和体重与各顾客身高和体重进行比对，将各顾客的身高和体重与数据库存储的各身高和体重对应的体重等级进行比对，进而得到各顾客对应的体重等级，同时还将各标记顾客的身高和体重与数据库存储的各身高和体重对应的体重等级进行比对，进而得到各标记顾客对应的体重等级，将各顾客对应的体重等级与各标记顾客对应的体重等级进行比对，若某顾客对应的体重等级与某标记顾客对应的体重等级比对一致，则判定该顾客与该标记顾客身高和体重属于同一等级，进而得到与各顾客身高和体重属于同一等级的各标记顾客对应的编号，并将与各顾客身高和体重属于同一等级的各标记顾客记为各参考顾客，进而得到各参考顾客对应的尺码的好评率，并将各参考顾客对应的尺码的好评率进行相互比对筛选，进而筛选得出好评率排列靠前的尺码，将好评率排列靠前的尺码与各顾客当次在目标电商店铺对应的目标服装尺码进行比对，进而按照各顾客当次在目标电商店铺购买目标服装对应的初步退货评估系数的分析方式同理得到各顾客当次在目标电商店铺购买目标服装对应的尺码退
货评估系数βs。
45.在一个具体的实施例中，筛选得出好评率排列靠前的尺码，具体表示为筛选得出好评率排名第一的尺码。
46.作为上述方案的进一步优化，所述评估得到各顾客对应的目标服装退货概率系数，具体评估过程如下：b1、将各顾客当次在目标电商店铺对应的目标服装风格类型和历史购买服装风格类型进行比对，若某顾客当次在目标电商店铺对应的目标服装风格类型与历史购买服装风格类型匹配不一致，则判定该顾客当次在目标电商店铺购买的目标服装为需求退货服装，进而将该顾客对于该服装的退货预估指数χ
′
，反之则判定该顾客当次在目标电商店铺购买的目标服装为无需退货服装，并将该顾客对于目标服装的退货预估指数χ
″
，以此得到各顾客当次在目标电商店铺购买目标服装对应的尺码退货分析指数χs，χ取值为χ
′
或χ
″
，且χ
′
》χ
″
。
47.在一个具体地实施例中，风格类型具体分类过程如下:提取出目标电商店铺对应的目标服装对应的标题文字，将目标服装对应的标题文字划分为各关键词，将各关键词与数据库存储的各风格类型对应的关键词进行匹配，进而利用关键词匹配公式，进而得到目标服装对应的风格类型。
48.b2、进而利用计算公式计算得到各顾客对应的目标服装退货概率系数δs，其中，a1和a2分别表示为顾客尺码和风格类型对应的权重因子，a3和a4分别表示为初步尺码退货评估系数和尺码退货评估系数对应的影响因子，且a1》a2。
49.本发明实施例在一定程度上保障了店铺后续补货的需求，避免造成店铺后续补货过多导致店铺存在积压服装的现象存在，进而保障了后续店铺的正常运营。
50.本发明实施例通过对各顾客历史购买信息进行分析，得到各顾客对应的目标服装退货概率系数，在一定程度上提高了店铺的退货预判能力，有利于店铺销量水平的提升，提高了店铺的售后处理能力。
51.所述店铺服装销售量预估模块，用于从电商信息库中提取出目标电商店铺的历史销售信息，进而分析得出目标电商店铺当前月份对应的目标服装预销售量。
52.作为上述方案的进一步优化，所述目标电商店铺的历史销售信息包括各往年各月份的目标服装销售量。
53.作为上述方案的进一步优化，所述分析得出目标电商店铺当前月份对应的目标服装预销售量，具体分析过程如下：c1、根据目标电商店铺的历史销售信息，从中提取出目标电商店铺各往年各月份的目标服装销售量，将目标电商店铺各往年各月份的目标服装销售量代入到服装销售趋势模型图中，即可得到目标电商店铺各往年各月份的目标服装销售量对应的销售趋势，进而利用计算公式计算得出目标电商店铺各往年对应的销售额增长速率εi，其中，i表示为各往年对应的编号,i＝1,2,......j,m表示为各月份对应的编号，m＝1,2,......n，xs
im
表示为第i个往年中第m个月份对应的目标服装销售量，表示为第i个往年中第m-1个月份对应的目标服装销售量，m表示为月份的总数量。
54.c2、进而根据当前月份对应的月份日期，从电商信息库中得到目标服装对应的旺季月份，将当前月份对应的月份日期与目标服装对应的旺季月份进行比对，若当前月份对应的月份日期与目标服装对应的旺季月份比对一致，则判定当前月份为旺季月份，进而得到目标服装对应的销售增长系数反之则判定当前月份为淡季月份，进而得到目标服装对应的销售增长系数由此得到目标服装对应的销售增长评估系数由此得到目标服装对应的销售增长评估系数取值为或且
55.c3、从目标电商店铺各往年各月份的目标服装销售量提取出设定年份当前月份对应的目标服装销售额，进而依据分析公式计算得出目标电商店铺当前月份对应的目标服装预销售量φ，其中，xs表示为设定年份当前月份对应的目标服装销售额，j表示为往年的总数量，e表示为自然常数。
56.在一个具体地实施例中，设定年份表示为当前年份对应的前一年年份。
57.所述仓库补货分析模块，用于各顾客对应的目标服装退货概率系数、目标电商店铺对应的目标服装预销售量和目标服装对应的库存量综合判断分析目标电商店铺的补货需求。
58.作为上述方案的进一步优化，所述综合判断分析目标电商店铺的补货需求，具体判断过程如下：r1、将各顾客对应的目标服装退货概率系数与设定的服装标准退货概率系数进行比对，若某顾客对应的目标服装退货概率系数大于或等于设定的服装标准退货概率系数，则判定该顾客为需要退货，进而统计需要退货的顾客总数量，根据各顾客当次在目标电商店铺的购买信息，从中提取出需要退货的顾客购买对应的目标服装数量，进而提取需要退货的各顾客对应的编号，并统计需要退货的顾客对应的总数量，还用于根据目标电商店铺目标服装对应的库存量，利用计算公式m0＝m1+m2*m3，计算得出目标电商店铺对应目标服装预估库存量m0，其中，m1表示为目标电商店铺目标服装对应的库存量，m2表示为需要退货的顾客对应总数量，m3表示为需要退货的顾客购买对应的目标服装数量。
59.r2、将目标电商店铺对应目标服装预估库存量与目标电商店铺当前月份对应的目标服装预销售量进行比对，若目标电商店铺对应目标服装预估库存量大于或等于目标电商店铺当前月份对应的目标服装预销售量，则判定目标电商店铺需要补货，若目标电商店铺对应目标服装预估库存量小于目标电商店铺当前月份对应的目标服装预销售量，则判定目标电商店铺无需补货。
60.作为上述方案的进一步优化，所述电商信息库，用于存储目标服装对应的旺季月份和各顾客对应的基本信息，还用于存储目标电商店铺历史购买各标记顾客信息、历史销售信息、各顾客对应的基本信息、各顾客在目标电商店铺对应的各次历史购买信息和目标电商店铺历史购买各标记顾客信息，其中，历史购买各顾客信息包括身高和体重、尺码和尺码好评率。
61.以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。