[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

说明书

本发明特别涉及一种基于云POS机的新零售扫码数据异常检测方法。该基于云POS机的新零售扫码数据异常检测方法，从终端数据质量的角度出发，归纳总结终端销售过程中存在的问题，并通过智能识别模型、扫码时间拟合度算法和机器学习分类算法实时监控检测并反馈终端运行情况，不但能够节省大量的人力物力，大大提高工作效率，而且还大大提高了分类准确率；结合运行结果给出改善建议，辅助提升现代终端建设和新零售的发展。

技术领域

本发明涉及零售终端数据检测技术领域，特别涉及一种基于云POS机的新零售扫码数据异常检测方法。

背景技术

现代零售终端建设在品牌培育、宣传促销、消费跟踪等方面体现出至关重要的地位。因此，终端数据质量的好坏，直接决定了零售终端能否在数据营销、品牌培育和发展、货源投放等市场策略的制定中发挥正确作用。

零售商在使用云POS机的时候存在许多问题，其中主要包括不扫码销售、漏扫、集中不扫码、部分交易商品扫码、故意扫码不提交和量价异常六类问题，这些问题使得终端数据的高质量水准难以得到保障。

针对零售商上传POS机的海量扫码销售数据，准确快速辨别哪些零售商为优质扫码店铺，对于根据店铺实时数据进行市场价值动态预估和市场布局分析十分重要。

基于上述情况，本发明设计了一种基于云POS机的新零售扫码数据异常检测方法。

机器学习中的分类算法包括KNN算法、决策树算法、Logistic回归算法、支持向量机算法等等。作为经典的机器学习算法在分类任务上具有很好的效果。将机器学习分类算法和基于专家经验的智能识别模型和时间拟合度算法相结合，可以实时监测终端数据的异常状态。

发明内容

本发明为了弥补现有技术的缺陷，提供了一种简单高效的基于云POS机的新零售扫码数据异常检测方法。

本发明是通过如下技术方案实现的：

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。

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。

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；