001- 实现过程：1、筛选SKU范围：10大站点有效SKU(过滤停产仿牌禁售) 且 处于节日优化期（以SKU的系统节日标签+AI节日标签来判断）2、特征数据清洗：(用bi库数据聚合有不稳定性！开发时需考虑该问题！）sql代码（需按顺序执行，部分脚本有前后依赖关系 已标注）详情见在线文档 节日sku评分模型-时间窗口（https://alidocs.dingtalk.com/i/nodes/o14dA3GK8g50BqLnFKva1aQ7V9ekBD76?utm_scene=team_space）3、接口调用接口文档：节日产品sku评分（算法对接人：金平艳）：https://alidocs.dingtalk.com/i/nodes/qnYMoO1rWxDyZ945SzMx3w4oW47Z3je9?utm_scene=person_space传参方法：1）相同站点+节日的sku，作为同一批传入（评分逻辑是：同站点 节日下所有sku一期传入，通过互相比较，得出评分）2）按照站点sku维度历史有无销量做分流处理，分别调用有销量/无销量接口备注：步骤2中所有特征数据均刷新成功后，再调用接口4、数据存储特征数据：当前满足1中筛选条件的sku的所有特征数据结果数据：有销量：站点、SKU、节日名称、Sales_Conditional(从接口结果中解析)、predict_proba(从接口结果中解析)、评分更新时间、状态/报错无销量：站点、SKU、节日名称、flowscore(从接口结果中解析)、评分更新时间、状态/报错存储方法：SiteCode+SKU+日期(周)维度记录特征数据(json格式)和结果数据，按月分表更新频率：每周一次，更新当前满足1中筛选条件的评分，历史评分和历史特征数据也要保留，保留一年5、风险点：特征数据清洗的数据全在BI库获取可能会失败或者不稳定，需要有监控机制
001+ 实现过程：
002+ 实现一个节日SKU评分的执行服务，每周执行一次
003+ 一、后端筛选SKU
004+ a、根据刊登优化节日运营表（需求：https://pm.zhcxkj.com/zentao/story-view-33566.html）筛选当前范围的节日
005+ b、根据节日筛选有对应节日标签的SKU（以SKU的系统节日标签+AI节日标签来判断），只筛选10大站点有效的真实SKU(过滤停产仿牌禁售)
006+
007+ 将数据保存在业务表中，字段包括周，SKU，站点，是否有销量（考虑后面有全量筛选所有SKU的逻辑，建议存储在mysql库，定期清理即可）
008+
009+ 二、爬虫侧清洗数据
010+ 根据业务指定的SKU进行特征清洗，sql代码（需按顺序执行，部分脚本有前后依赖关系 已标注）详情见在线文档 节日sku评分模型-时间窗口（https://alidocs.dingtalk.com/i/nodes/o14dA3GK8g50BqLnFKva1aQ7V9ekBD76?utm_scene=team_space）
011+
012+ 三、后端调用AI接口
013+ 后端在爬虫清洗好数据之后进行根据第一步中的SKU进行数据筛选并执行
014+ 接口文档：节日产品sku评分（算法对接人：金平艳）：https://alidocs.dingtalk.com/i/nodes/qnYMoO1rWxDyZ945SzMx3w4oW47Z3je9?utm_scene=person_space
015+ 传参方法：
016+ 1）根据站点+节日+是否有销量归类，一类的sku，作为同一批传入（评分逻辑是：同站点 节日下所有sku一期传入，通过互相比较，得出评分）
017+ 2）按照站点sku维度历史有无销量做分流处理，分别调用有销量/无销量接口
018+ 备注：步骤2中所有特征数据均刷新成功后，再调用接口
019+
020+ 4、数据存储
021+ 特征数据：当前满足1中筛选条件的sku的所有特征数据，区分有销量和无销量SKU来存储
022+ 结果数据：
023+ 有销量：站点、SKU、节日名称、Sales_Conditional(从接口结果中解析)、predict_proba(从接口结果中解析)、评分更新时间、状态/报错
024+ 无销量：站点、SKU、节日名称、flowscore(从接口结果中解析)、评分更新时间、状态/报错
025+ 存储方法：SiteCode+SKU+日期(周)维度记录特征数据(json格式)和结果数据，按月分表
026+
027+ 数据保存三个月，包括筛选SKU中的任务数据
028+

001- <p>实现过程：<br/><p>1、筛选SKU范围：10大站点有效SKU(过滤停产仿牌禁售) 且 处于节日优化期（以SKU的系统节日标签+AI节日标签来判断）<br/><p>2、特征数据清洗：(用bi库数据聚合有不稳定性！开发时需考虑该问题！）sql代码（需按顺序执行，部分脚本有前后依赖关系 已标注）详情见在线文档 节日sku评分模型-时间窗口（https://alidocs.dingtalk.com/i/nodes/o14dA3GK8g50BqLnFKva1aQ7V9ekBD76?utm_scene=team_space）<br/><p>3、接口调用<br/><p>接口文档：节日产品sku评分（算法对接人：金平艳）：https://alidocs.dingtalk.com/i/nodes/qnYMoO1rWxDyZ945SzMx3w4oW47Z3je9?utm_scene=person_space<br/><p>传参方法：<br/><p>1）相同站点+节日的sku，作为同一批传入（评分逻辑是：同站点 节日下所有sku一期传入，通过互相比较，得出评分）<br/><p>2）按照站点sku维度历史有无销量做分流处理，分别调用有销量/无销量接口<br/><p>备注：步骤2中所有特征数据均刷新成功后，再调用接口<br/><p>4、数据存储<br/><p>特征数据：当前满足1中筛选条件的sku的所有特征数据<br/><p>结果数据：<br/><p>有销量：站点、SKU、节日名称、Sales_Conditional(从接口结果中解析)、predict_proba(从接口结果中解析)、评分更新时间、状态/报错<br/><p>无销量：站点、SKU、节日名称、flowscore(从接口结果中解析)、评分更新时间、状态/报错<br/><p>存储方法：SiteCode+SKU+日期(周)维度记录特征数据(json格式)和结果数据，按月分表<br/><p>更新频率：每周一次，更新当前满足1中筛选条件的评分，历史评分和历史特征数据也要保留，保留一年<br/><p>5、风险点：特征数据清洗的数据全在BI库获取可能会失败或者不稳定，需要有监控机制<br/><br/>
001+ <p>实现过程：</p>
002+ <p>实现一个节日SKU评分的执行服务，每周执行一次</p>
003+ <p>一、后端筛选SKU</p>
004+ <p>a、根据刊登优化节日运营表（需求：https://pm.zhcxkj.com/zentao/story-view-33566.html）筛选当前范围的节日</p>
005+ <p>b、根据节日筛选有对应节日标签的SKU（以SKU的系统节日标签+AI节日标签来判断），只筛选10大站点有效的真实SKU(过滤停产仿牌禁售)</p>
006+ <p><br /></p>
007+ <p>将数据保存在业务表中，字段包括周，SKU，站点，是否有销量（考虑后面有全量筛选所有SKU的逻辑，建议存储在mysql库，定期清理即可）</p>
008+ <p><br /></p>
009+ <p>二、爬虫侧清洗数据</p>
010+ <p>根据业务指定的SKU进行特征清洗，sql代码（需按顺序执行，部分脚本有前后依赖关系 已标注）详情见在线文档 节日sku评分模型-时间窗口（https://alidocs.dingtalk.com/i/nodes/o14dA3GK8g50BqLnFKva1aQ7V9ekBD76?utm_scene=team_space）</p>
011+ <p><br /></p>
012+ <p>三、后端调用AI接口</p>
013+ <p>后端在爬虫清洗好数据之后进行根据第一步中的SKU进行数据筛选并执行</p>
014+ <p>接口文档：节日产品sku评分（算法对接人：金平艳）：https://alidocs.dingtalk.com/i/nodes/qnYMoO1rWxDyZ945SzMx3w4oW47Z3je9?utm_scene=person_space</p>
015+ <p>传参方法：</p>
016+ <p>1）根据站点+节日+是否有销量归类，一类的sku，作为同一批传入（评分逻辑是：同站点 节日下所有sku一期传入，通过互相比较，得出评分）</p>
017+ <p>2）按照站点sku维度历史有无销量做分流处理，分别调用有销量/无销量接口</p>
018+ <p>备注：步骤2中所有特征数据均刷新成功后，再调用接口</p>
019+ <p><br /></p>
020+ <p>4、数据存储</p>
021+ <p>特征数据：当前满足1中筛选条件的sku的所有特征数据，区分有销量和无销量SKU来存储</p>
022+ <p>结果数据：</p>
023+ <p>有销量：站点、SKU、节日名称、Sales_Conditional(从接口结果中解析)、predict_proba(从接口结果中解析)、评分更新时间、状态/报错</p>
024+ <p>无销量：站点、SKU、节日名称、flowscore(从接口结果中解析)、评分更新时间、状态/报错</p>
025+ <p>存储方法：SiteCode+SKU+日期(周)维度记录特征数据(json格式)和结果数据，按月分表</p>
026+ <p><br /></p>
027+ <p>数据保存三个月，包括筛选SKU中的任务数据</p>
028+ <p><br /></p>

020- 4、数据存储
020+ 四、打分数据存储
025- 存储方法：SiteCode+SKU+日期(周)维度记录特征数据(json格式)和结果数据，按月分表
025+ 存储方法：SiteCode+SKU+日期(周)维度记录特征数据(存储在obs，表中只记录obs地址)和结果数据，按月分表

020- <p>4、数据存储</p>
020+ <p>四、打分数据存储</p>
025- <p>存储方法：SiteCode+SKU+日期(周)维度记录特征数据(json格式)和结果数据，按月分表</p>
025+ <p>存储方法：SiteCode+SKU+日期(周)维度记录特征数据(存储在obs，表中只记录obs地址)和结果数据，按月分表</p>