一种基于云计算的电商交易数据分析系统

本发明属于数据分析领域，涉及电商交易数据分析技术，具体是一种基于云计算的电商交易数据分析系统。

背景技术：

1、随着电商行业的快速发展，电商平台积累了海量的交易数据。传统的数据处理和分析方式已经无法满足对这些海量数据的处理和分析需求。云计算技术的出现为解决这一问题提供了新的途径，云计算平台提供了需求可扩展的计算、存储和分析资源，能够更好地应对大规模数据分析的需求。因此，基于云计算的电商交易数据分析系统应运而生，为电商企业提供了更先进、高效的数据分析解决方案。基于云计算的电商交易数据分析系统是一种利用云计算技术构建的系统，旨在对电商交易数据进行收集、存储、处理和分析，以提供商家和经营者更深入、全面的数据洞察和决策支持。

2、现有的基于云计算的电商交易数据分析系统，大多仅仅对产品销售过程中的数据分析产品未来销量，难以充分考虑到影响产品销售的多种因素，不便于对电商销售进行全面的预测分析，例如，专利cn116775760a中，公开了一种电商数据分析方法及系统，获取电商交易数据，并将电商交易数据存入hbase数据库中，对电商交易数据进行分类和补全处理，得到待处理电商交易数据，利用预设python脚本对待处理电商交易数据进行筛选处理，得到处理后的电商交易数据，将处理后的电商交易数据输入电商分析模型中进行分析计算，得到分析结果。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了一种基于云计算的电商交易数据分析系统，用于解决难以充分考虑到影响产品销售的多种因素，不便于对电商销售进行全面的预测分析技术问题。

2、为解决上述问题，本发明的第一方面提供了一种基于云计算的电商交易数据分析系统，包括云计算平台，所述云计算平台包括：

3、舆情数据分析模块：用于采集热点舆情，并对热点舆情中涉及到电商交易中商品名称关键词的数据进行统计；

4、电商数据采集模块：用于采集电商交易过程中的订单数据、产品数据、物流数据和售后日志数据；

5、交易类别分类模块：用于根据电商数据采集模块采集的数据，对电商交易模式进行分类，包括：企业对消费者的交易模式、企业对企业的交易模式和线上到线下的交易模式；

6、商品销售量分析模块：用于根据交易类别分类模块对电商交易模式的分类，以及舆情数据分析模块和电商数据采集模块的数据，预测不同交易模式下的商品的销售量；

7、商品供应链稳定性评价模块：用于通过电商数据采集模块采集的数据，评价商品供应链稳定性；

8、商品交易评价模块：用于通过商品供应链稳定性评价模块的评价结果，结合不同交易模式下的商品的销售量预测数据，分析不同交易模式下的商品的畅销度。

9、作为本发明进一步的方案：所述舆情数据分析模块，包括：

10、关键词统计单元：对电商交易中商品名称关键词进行统计，通过word2vec词向量模型拓展出与关键词相关的词语，将关键词与关键词相关词语存储到电商商品关键词数据库中；

11、热点舆情采集单元：实时采集互联网平台的热搜词条，通过爬虫系统在各大新闻网页、app、博客、贴吧和社区，对热门话题、热搜词条和热门文章进行采集。

12、作为本发明进一步的方案：所述舆情数据分析模块，还包括：

13、商品热度统计单元：在采集的热门话题、热搜词条和热门文章中，检索电商商品关键词数据库中的关键词与关键词相关词语，记录关键词与关键词相关词语的出现频率，并统计到对应的电商商品出现在热门话题、热搜词条和热门文章的出现频率中；

14、历史热度统计单元：收集历史舆情数据，并对历史舆情数据中涉及到电商交易中关键词与关键词相关词语的出现频率数据进行统计，并统计到对应的电商商品在历史数据中出现在热门话题、热搜词条和热门文章的出现频率。

15、作为本发明进一步的方案：订单数据，包括：订单编号、下单时间、订单状态和订单交易模式；

16、产品数据，包括：商品名称、价格、库存量和销售量；

17、物流数据，包括：运输单号、物流状态、配送时间和签收信息；

18、售后日志数据，包括：售后补偿和商品退货率。

19、作为本发明进一步的方案：所述商品销售量分析模块根据交易类别分类模块对电商交易模式的分类，以及舆情数据分析模块和电商数据采集模块的数据，预测不同交易模式下的商品的销售量，包括以下步骤：

20、通过历史热度统计单元统计的电商商品在历史数据中出现在热门话题、热搜词条和热门文章的出现频率，训练决策树模型；

21、对于出现在热门话题、热搜词条和热门文章的电商商品，使用决策树模型预测电商商品销量；

22、对于未出现在热门话题、热搜词条和热门文章的电商商品，通过深度学习模型对不同交易模式下电商商品的未来的销量进行预测。

23、作为本发明进一步的方案：通过历史热度统计单元统计的电商商品在历史数据中出现在热门话题、热搜词条和热门文章的出现频率，训练决策树模型，包括以下步骤：

24、获取历史热度统计单元统计的电商商品在历史数据中出现在热门话题、热搜词条和热门文章的出现频率；

25、获取电商数据采集模块采集的历史数据，根据交易类别分类模块对电商交易模式的分类，提取不同交易模式下的商品的销量数据；

26、将热门话题、热搜词条和热门文章历史数据的时间戳推移48小时后与不同交易模式下的商品的销量数据的时间戳进行数据对齐；

27、通过数据对齐后的不同交易模式下的商品的销量数据与电商商品在历史数据中出现在热门话题、热搜词条和热门文章的出现频率，训练决策树模型。

28、作为本发明进一步的方案：对于出现在热门话题、热搜词条和热门文章的电商商品，使用决策树模型预测电商商品销量，包括以下步骤：

29、对于出现在热门话题、热搜词条和热门文章的电商商品，通过获取商品热度统计单元实时统计的电商商品出现在热门话题、热搜词条和热门文章的出现频率，将其输入到训练完成的决策树模型中，对不同交易模式下的电商商品销量进行预测。

30、作为本发明进一步的方案：对于未出现在热门话题、热搜词条和热门文章的电商商品，通过深度学习模型对不同交易模式下电商商品的未来的销量进行预测，包括以下步骤：

31、对于未出现在热门话题、热搜词条和热门文章的电商商品，获取电商数据采集模块采集的不同交易模式下电商商品的历史销售量数据和近期销售量数据；

32、通过历史销售量数据训练lstm长短期记忆网络模型；

33、将电商商品近期销售量数据，输入到lstm长短期记忆网络模型中，对不同交易模式下电商商品的未来的销量进行预测。

34、作为本发明进一步的方案：所述商品供应链稳定性评价模块通过电商数据采集模块采集的数据，评价商品供应链稳定性，包括以下步骤：

35、获取历史数据中，出现供应链稳定性风险时的历史订单数据、产品数据、物流数据和售后日志数据，以及未出现供应链稳定性风险时的历史订单数据、产品数据、物流数据和售后日志数据；

36、将历史订单数据、产品数据、物流数据和售后日志数据作为输入特征，并将供应链稳定性风险作为目标变量，训练机器学习模型；

37、将实时采集的电商商品的订单数据、产品数据、物流数据和售后日志数据输入到训练好的机器学习模型中，预测电商商品供应链稳定性风险。

38、作为本发明进一步的方案：通过以下公式计算不同交易模式下的商品的畅销度：

39、

40、其中，k为不同交易模式下的商品的畅销度评价值，h1为不同交易模式下的最近一周内的商品的日平均销售量，h0为不同交易模式下的最近一个月内的商品的日平均销售量，h为不同交易模式下的电商商品的未来的销量预测结果，l1为不同交易模式下的最近一周内的同类型商品的日平均销售量。

41、与现有技术相比，本发明的有益效果是：

42、本发明通过分析热点舆情中的商品关键词数据，可以更深入地了解消费者的偏好和需求，根据对热点舆情中涉及到电商交易中商品名称关键词的数据进行统计结果，有助于及时把握市场动态。通过电商交易中商品名称关键词出现在热点舆情的统计数据，可以更准确地预测不同商品在不同交易模式下的销售量和热点舆情之间的关系，有助于提高预测的精准度。有助于根据舆情数据进行的销售量预测。

43、本发明通过结合商品供应链稳定性的评价结果和不同交易模式下的商品的销售量预测数据，分析不同交易模式下的商品的畅销度，作为综合考量产品生产、供应和销售情况的因素，为企业提供更全面的经营决策依据。通过分析供应链稳定性，可以评估不同交易模式下商品的供应风险，结合销售量预测数据，有助于企业更好地把控市场风险，根据风险预测结果，更好的分析不同交易模式下的商品的畅销度，有助于实现产品的供需匹配。