一.?所用技術：

模塊	技術	用途
大數據平臺	hadoop	記錄每日分析數據，并運行MR算法分析結果
數據庫	SQL Server	存儲業務數據，以及計算結果數據
開發語言	java	MR算法，以及數據抽取和接收服務
	C#	大數據后臺管理站點
	Shell	MR腳本定時執行
大數據分析算法	貝葉斯	數據分析

?

二.?背景

目前大部分支付業務，涉及到大數據分析的主要是針對C端用戶的支付行為進行分析。

而基于運營商支付的業務，會涉及到眾多的支付渠道，所有的訂單都要在眾多的支付渠道中選擇一個來進行交互。而運營商的支付渠道并不是所有的支付都能成功，會受到風控，地理位置，時間段，系統質量等多方面的原因。所以如何針對眾多的支付渠道，選擇一個針對當前的訂單的渠道并進行交互，就是業務的關鍵。

所以針對支付渠道的渠道推薦系統，比基于C端用戶的推薦系統更加重要。

?

三.?項目介紹

大數據平臺基于hadoop搭建，并在此基礎上做了二次開發，包括統一接入數據接口，數據分析監控，以及數據轉化率監控。同時數據分析結果，通過二次開發的接口回傳。

數據分析以貝葉斯算法為基礎，在此基礎上做出加權分析，算出給維度的成功率。同時通過不斷嘗試，設定加權變動值規則，以天為單位，系統自動設定每天加權值，通過加權值進行新訂單的渠道推薦。

?

四.?架構介紹

大數據平臺和支付平臺的架構圖如下：

由上圖所示，大數據平臺保證了支付平臺的無縫集成。具體流程如下：

1.?每日，支付平臺在后臺數據庫中抽取增量的訂單數據，推送至大數據平臺

2.?大數據平臺進行數據存儲

3.?針對前一個月的訂單數據，進行貝葉斯計算分析，按照指定維度

4.?針對貝葉斯分析結果，對各維度數據進行加權計算

5.?算出各維度組合的加權分值，并將計算結果回傳至小額支付平臺

6.?小額支付平臺針對大數據分析結果進行集成，針對所有新的訂單，通過分析結果，進行訂單準確性匹配。

????????

五.?算法介紹

在該專利中，針對每條訂單的地區，下單時間段，面值，風控大小屬性，分為各不同維度，同時針對每個渠道，結合訂單的成功或失敗進行分析，分析出每個渠道的，每個維度的組合對應的成功幾率，并且通過加權算法，算出每一個渠道，在每一個維度組合下，對應的加權分值。

1.?獲取全部數據后，從全部數據中針對所有渠道進行分類。

2.?分類后，在每一個渠道中，按照不同維度進行貝葉斯算法分析；針對訂單維度，包括省份，面值，時間等。

3.?計算完成后，將結果按照維度組合進行重新整理，針對每一個維度組合，將各渠道加權成功率進行排序。

4.?維度組合結果規整

業務系統針對大數據推薦的結果，反向轉化，分析出在各維度組合下，記錄所有渠道的成功幾率分值排序。

關于貝葉斯理論，在博客專欄之前有專門的文章介紹。

?

六.?業務集成

具體業務實現上，需要集成大數據的推選結果，具體的交互流程如下：

1.?支付系統根據省份，面值，時間段等維度推選出所有可用渠道。

2.?支付系統剔除達到渠道類別風控的所有渠道。

3.?取出該訂單對應的維度組合中，所有可行的渠道的成功率加權值。

4.?取出加權值最大的渠道，和該渠道進行支付的交互。

?

七.?分析結果展示

針對渠道推薦的分析結果，將每天訂單分為兩份，如下圖所示，藍色部分為根據大數據分析結果進行推薦渠道的訂單，黃色為不通過大數據分析結果進行推薦渠道的訂單。進行測試90天，每天的成功率都是通過大數據的分析結果進行推薦的高，平均高5%左右。

如果讀者感興趣，歡迎關注公眾號-智能化IT系統，進行進一步的溝通交流。

總結

以上是生活随笔為你收集整理的【Hadoop应用案例】针对运营商支付业务的渠道推荐系统的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。