[发明专利]一种基于云POS机的新零售扫码数据异常检测方法

权利要求书

1.一种基于云POS机的新零售扫码数据异常检测方法，其特征在于：首先以云POS机系统为基础，结合智能识别模型、时间拟合分析模型和机器学习分类算法模型，构建基于云POS机的实时扫码数据异常监测系统；然后采集各区域店铺扫码终端的零售商销售记录数据，并对零售商销售记录数据进行初始化处理，对初始化处理后的零售商销售记录数据采取包括编码和处理字段异常值在内的修正操作；最后，根据判断条件对修正后的零售商销售记录数据进行判断，根据修正后的零售商销售记录数据是否符合四个判断条件，将零售商分为优质扫码店铺、疑似异常扫码店铺或异常扫码店铺，并基于此构建带有标签的数据集；同时基于机器学习分类算法模型，将实时更新的扫码数据进行分类，可实现对零售商扫码异常的动态检测；

所述判断条件如下：

条件一，判断所述零售商销售记录数据是否来自特殊零售商，如果是，则该数据为异常数据；

条件二，判断所述零售商销售记录数据中扫码天数达标率是否合格，如果未达到预设定值，则该数据为异常数据；

条件三，判断符合条件一和条件二的零售商销售记录数据是否在扫码均值参考线和扫码波动率标准差参考线的达标范围之内，如果不是，则该数据属于异常数据；

条件四，对于符合条件三的零售商销售记录数据，判断扫码时间拟合度是否达标，如果达标则属于正常数据，否则，属于异常数据；

其中条件二与条件三组成智能识别模型，条件四为时间拟合分析模型。

2.根据权利要求1所述的基于云POS机的新零售扫码数据异常检测方法，其特征在于：所述条件一中，特殊零售商为特殊营业场所，销售规律不符合正常市场销售规律的店铺，以排除其对数据的影响。

3.根据权利要求1所述的基于云POS机的新零售扫码数据异常检测方法，其特征在于：所述条件二中，扫码天数描述的是店铺一段时间内对终端使用的连续性，能够反馈店铺经营的周期特性；统计给定时间段内店铺扫码天数，低于预定值即代表扫码天数不达标；计算扫码天数达成率，即实际扫码天数与应扫码天数的比值；

扫码天数达标率在1～0.6之间的店铺若仅因为某一天调试没有使用终端，虽然没有在开始使用后连续不间断使用，但是不扫码天数较少，可以不予考虑，观察其之后的表现；扫码天数达标率在0.6～0.3之间的店铺的扫码天数达成率较低，接近应扫码天数的一半时间都没有扫码，情况较为严重，若开始扫码之后中间有几天调试没有扫码，后面调试好后连续扫码，也可以不予考虑，观察其之后的表现；扫码天数达标率在0.3以下的店铺基本可以断定为不认真扫码的店铺，应予以督促。

4.根据权利要求1所述的基于云POS机的新零售扫码数据异常检测方法，其特征在于：所述条件三按照扫码笔数法过滤，扫码笔数过滤是在扫码天数达标率达标的基础上进行的，以保证所有店铺有可靠的扫码天数作为数据支撑；首先统计每个店铺每天的扫码笔数，其次计算一个月的扫码均值，然后计算每个店铺每天扫码笔数与当月扫码均值的波动率，最后求每个店铺当月的扫码笔数波动率标准差，将均值和标准差两个维度作为筛选依据；扫码波动率大于0.5则为异常扫码店铺，扫码波动率小于0.5且扫码笔数小于30则为疑似异常扫码店铺，扫码波动率小于0.5且扫码笔数大于30则为扫码笔数优质店铺。

5.根据权利要求1所述的基于云POS机的新零售扫码数据异常检测方法，其特征在于：所述条件四中，扫码时间拟合度用来刻画各个店铺一天中销售趋势与其所属区域的全部店铺平均销售趋势的离散情况，将零售商时间拟合度高于0.75的销售日定义为达标，计算一个月达标天数大于26天为合格；

一天m个时间段，某区域的n个店铺中，店铺i在时间段j与参考标准趋势的扫码时间拟合度为：

其中，为店铺i在时间段j的扫码笔数占比，为所有店铺在时间段j扫码均值占比，计算式分别如下：

其中，为店铺i在时间段j的扫码笔数，为所有店铺在时间段j扫码笔数均值，计算式如下：

其中，m，n，j，i均为自然数，且i小于等于n，j小于等于m。