CN107330614A - 一种业务活动效果的实时评估方法和装置 - Google Patents
一种业务活动效果的实时评估方法和装置 Download PDFInfo
- Publication number
- CN107330614A CN107330614A CN201710515328.0A CN201710515328A CN107330614A CN 107330614 A CN107330614 A CN 107330614A CN 201710515328 A CN201710515328 A CN 201710515328A CN 107330614 A CN107330614 A CN 107330614A
- Authority
- CN
- China
- Prior art keywords
- value
- time
- business activity
- linear regression
- real
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Abstract
本发明公开了一种业务活动效果的实时评估方法和装置。该方法的一具体实施方式包括：根据业务活动的实时数据定时统计各影响指标的实时数值和效果指标的实时数值；在每次执行统计之后，根据各影响指标的实时数值，通过预测模型预测效果指标的预测值，然后根据该预测值和效果指标的实时数值计算业务活动效果的实时预测误差值；实时监测计算得到的实时预测误差值是否超过预设阈值，当超过预设阈值时，判定效果指标的实时数值出现异常波动；将各个影响指标中对应系数值最大的影响指标判定为导致异常波动的关键数据指标。该实施方式能在第一时间发现问题并确定主要影响因素，还可对各影响因素进行评估排序，增强了分析问题的时效性。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种业务活动效果的实时评估方法和装置、服务器、计算机可读介质。
背景技术
随着信息技术的飞速发展，企业开展各类业务活动的需求日益增多，特别在电子商务领域，由于业务竞争越来越激烈，电商企业组织各类业务活动(例如大促活动，即大促销活动)的频率越来越高、涵盖范围越来越广。此种背景下，对业务活动效果进行实时监控，快速分析问题、调整战略，有助于企业在业务竞争中占据主动，改善业务成果。以电商企业开展的大促活动(即大促销活动)为例，商家分析大促期间的数据，主要集中在结果指标(例如销量、GMV(商品交易总额)、净利润等)，通过实时数据流处理技术，对日志数据进行抽取、汇总，以秒为单位展示销售趋势，而且主要是依靠业务分析人员根据经验下结论。发现问题不及时，调整策略就困难，大促活动效果不理想。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
现有方案不能及时准确发现业务活动期间的异常情况，时效性差，即便发现业务活动结果出现波动，对引起波动的原因分析仍然十分迟缓且随机性大，误报警或不报警的几率较高，影响决策质量，此外，对分析人员经验要求较高，一旦发生人员变动或岗位调整，分析过程的设定难以传承和理解，并且数据指标之间的关联关系不确定，探究原因十分困难，只能做到定性而非定量。
发明内容
有鉴于此，本发明实施例提供一种业务活动效果的实时评估方法和装置、服务器、计算机可读介质，能够实时监测和评估活动效果，在第一时间发现问题并确定引起问题的主要影响因素，还可对各影响因素按照影响程度进行评估排序，增强了分析问题的时效性和针对性，提高辅助决策的有效性，并且，能够很大限度地利用历史数据，对实时数据提供参考警示作用，以便根据新的效果和数据调整活动策略。
为实现上述目的，根据本发明实施例的一个方面，提供了一种业务活动效果的实时评估方法。
一种业务活动效果的实时评估方法，预先设置表示业务活动效果的效果指标和影响业务活动效果的多个影响指标，所述方法包括：根据业务活动的实时数据定时统计各影响指标的实时数值和所述效果指标的实时数值；在每次执行所述统计之后，根据各影响指标的实时数值，通过预测模型预测所述效果指标的预测值，然后根据所述效果指标的预测值和该效果指标的实时数值计算业务活动效果的实时预测误差值，其中，所述预测模型中每个影响指标对应一系数；实时监测计算得到的实时预测误差值是否超过预设阈值，当监测到所述实时预测误差值超过所述预设阈值时，判定所述效果指标的实时数值出现异常波动；将各个影响指标中对应系数值最大的影响指标判定为导致所述异常波动的关键数据指标。
可选地，在所述根据业务活动的实时数据定时统计各影响指标的实时数值和所述效果指标的实时数值的步骤之前，还包括：以所述效果指标的预测值作为因变量，以所述各影响指标为自变量建立如下的预测模型：
其中，G'为所述效果指标的预测值，Pi为第i个影响指标，βi为第i个影响指标的系数，μ0为常数项，i为1至n之间任意整数，n为预先设置的所述影响指标的数量；然后，为所述预测模型中的各个系数和常数项配置初始值；并且，在所述通过预测模型预测所述效果指标的预测值的步骤之前，还包括：判断当前时间点是否超过预设的时间点，若是，则更新所述预测模型中的各个系数的当前值和常数项的当前值，否则不执行该更新。
可选地，为所述预测模型中的各个系数和常数项配置初始值的步骤，包括：根据保存的各个历史时段的业务活动数据，按照每个历史时段的业务活动时间定时统计各影响指标的历史数值和所述效果指标的历史数值，并对于每个历史时段，对统计得到的各影响指标的历史数值和所述效果指标的历史数值进行多元线性回归分析，以确定每个历史时段的业务活动的线性回归参数向量和随机误差值；根据预设的筛选规则，选取其中一个历史时段的业务活动的线性回归参数向量和随机误差值，并以该选取的线性回归参数向量中的每个线性回归参数值作为所述各系数的初始值，以及以该选取的随机误差值作为所述常数项的初始值。
可选地，更新所述预测模型中的各个系数的当前值和常数项的当前值的步骤包括：获取所述当前时间点之前所有统计得到的各影响指标的实时数值和所述效果指标的实时数值，对统计得到的各影响指标的实时数值和所述效果指标的实时数值进行多元线性回归分析，以确定实时的业务活动的线性回归参数向量；根据所述确定的实时的业务活动的线性回归参数向量与所述每个历史时段的业务活动的线性回归参数向量逐一进行如下的线性回归参数运算：
其中，βkj表示第k个历史时段的业务活动的线性回归参数向量中的第j个线性回归参数，βrj表示实时的业务活动的线性回归参数向量的第j个线性回归参数，dk表示所述确定的实时的业务活动的线性回归参数向量与第k个历史时段的业务活动的线性回归参数向量的所述线性回归参数运算的运算结果，并且，k为1至m之间任意整数，m为已存的业务活动的历史时段的数量，j为1至n之间任意整数，n为所述预先设置的所述影响指标的数量；以所述运算结果中最小值对应的所述历史时段的业务活动的线性回归参数向量和随机误差值分别作为参考线性回归参数向量和参考随机误差值；并以该参考线性回归参数向量中的各线性回归参数更新所述各系数的当前值，以及以该参考随机误差值更新所述常数项的当前值。
可选地，判定所述效果指标的实时数值出现异常波动的步骤之后，还包括：将各个影响指标按照对应系数值的大小排序。
可选地，所述预设阈值为所述当前时间点之前计算得到的所有实时预测误差值的标准差的预设倍数。
可选地，如果所述当前时间点未超过所述预设的时间点，则所述预设倍数为5倍；如果所述当前时间点超过所述预设的时间点，则所述预设倍数为3倍。
可选地，所述预设的筛选规则包括下述至少一项：历史时段的业务活动的时间特征、历史时段的业务活动时长、历史时段的业务活动策略、历史时段的业务活动结束时对应的效果指标数值与预设期望值的近似程度。
可选地，判定所述效果指标的实时数值出现异常波动的步骤之后，还包括：输出报警消息。
根据本发明实施例的另一方面，提供了一种业务活动效果的实时评估装置。
一种业务活动效果的实时评估装置，预先设置表示业务活动效果的效果指标和影响业务活动效果的多个影响指标，所述装置包括：数据收集模块，用于根据业务活动的实时数据定时统计各影响指标的实时数值和所述效果指标的实时数值；误差预测模块，用于在所述数据收集模块每次执行所述统计之后，根据各影响指标的实时数值，通过预测模型预测所述效果指标的预测值，然后根据所述效果指标的预测值和该效果指标的实时数值计算业务活动效果的实时预测误差值，其中，所述预测模型中每个影响指标对应一系数；实时监测模块，用于实时监测计算得到的实时预测误差值是否超过预设阈值，当监测到所述实时预测误差值超过所述预设阈值时，判定所述效果指标的实时数值出现异常波动；指标判定模块，用于将各个影响指标中对应系数值最大的影响指标判定为导致所述异常波动的关键数据指标。
可选地，还包括模型建立模块：用于以所述效果指标的预测值作为因变量，以所述各影响指标为自变量建立如下的预测模型：
其中，G'为所述效果指标的预测值，Pi为第i个影响指标，βi为第i个影响指标的系数，μ0为常数项，i为1至n之间任意整数，n为预先设置的所述影响指标的数量；然后，为所述预测模型中的各个系数和常数项配置初始值；并且，所述装置还包括数值更新模块：用于判断当前时间点是否超过预设的时间点，若是，则更新所述预测模型中的各个系数的当前值和常数项的当前值，否则不执行该更新。
可选地，所述模型建立模块还用于：根据保存的各个历史时段的业务活动数据，按照每个历史时段的业务活动时间定时统计各影响指标的历史数值和所述效果指标的历史数值，并对于每个历史时段，对统计得到的各影响指标的历史数值和所述效果指标的历史数值进行多元线性回归分析，以确定每个历史时段的业务活动的线性回归参数向量和随机误差值；根据预设的筛选规则，选取其中一个历史时段的业务活动的线性回归参数向量和随机误差值，并以该选取的线性回归参数向量中的每个线性回归参数值作为所述各系数的初始值，以及以该选取的随机误差值作为所述常数项的初始值。
可选地，所述数值更新模块还用于：获取所述当前时间点之前所有统计得到的各影响指标的实时数值和所述效果指标的实时数值，对统计得到的各影响指标的实时数值和所述效果指标的实时数值进行多元线性回归分析，以确定实时的业务活动的线性回归参数向量；根据所述确定的实时的业务活动的线性回归参数向量与所述每个历史时段的业务活动的线性回归参数向量逐一进行如下的线性回归参数运算：
其中，βkj表示第k个历史时段的业务活动的线性回归参数向量中的第j个线性回归参数，βrj表示实时的业务活动的线性回归参数向量的第j个线性回归参数，dk表示所述确定的实时的业务活动的线性回归参数向量与第k个历史时段的业务活动的线性回归参数向量的所述线性回归参数运算的运算结果，并且，k为1至m之间任意整数，m为已存的业务活动的历史时段的数量，j为1至n之间任意整数，n为所述预先设置的所述影响指标的数量；以所述运算结果中最小值对应的所述历史时段的业务活动的线性回归参数向量和随机误差值分别作为参考线性回归参数向量和参考随机误差值；并以该参考线性回归参数向量中的各线性回归参数更新所述各系数的当前值，以及以该参考随机误差值更新所述常数项的当前值。
可选地，还包括指标排序模块：用于将各个影响指标按照对应系数值的大小排序。
可选地，所述预设阈值为所述当前时间点之前计算得到的所有实时预测误差值的标准差的预设倍数。
可选地，如果所述当前时间点未超过所述预设的时间点，则所述预设倍数为5倍；如果所述当前时间点超过所述预设的时间点，则所述预设倍数为3倍。
可选地，所述预设的筛选规则包括下述至少一项：历史时段的业务活动的时间特征、历史时段的业务活动时长、历史时段的业务活动策略、历史时段的业务活动结束时对应的效果指标数值与预设期望值的近似程度。
可选地，还包括消息报警模块，用于在所述实时监测模块判定所述效果指标的实时数值出现异常波动之后，输出报警消息。
根据本发明实施例的又一方面，提供了一种服务器。
一种服务器，包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现业务活动效果的实时评估方法。
根据本发明实施例的又一方面，提供了一种计算机可读介质。
一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现业务活动效果的实时评估方法。
上述发明中的一个实施例具有如下优点或有益效果：根据业务活动的实时数据定时统计各影响指标的实时数值和效果指标的实时数值；在每次执行统计之后，根据各影响指标的实时数值，通过预测模型预测效果指标的预测值，然后根据效果指标的预测值和该效果指标的实时数值计算业务活动效果的实时预测误差值，其中，预测模型中每个影响指标对应一系数；实时监测计算得到的实时预测误差值是否超过预设阈值，当监测到实时预测误差值超过预设阈值时，判定效果指标的实时数值出现异常波动；将各个影响指标中对应系数值最大的影响指标判定为导致异常波动的关键数据指标。能够实时监测和评估活动效果，在第一时间发现问题并确定引起问题的主要影响因素，还可对各影响因素按照影响程度进行评估排序，增强了分析问题的时效性和针对性，提高辅助决策的有效性，并且，能够很大限度地利用历史数据，对实时数据提供参考警示作用，以便根据新的效果和数据调整活动策略。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的业务活动效果的实时评估方法的主要步骤示意图；
图2是根据本发明实施例的商品促销活动效果的实时评估方法的优选流程示意图；
图3是根据本发明实施例的业务活动效果的实时评估装置的主要模块示意图；
图4是适于用来实现本发明实施例的服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
目前针对实时数据的存储方法，主要是利用Scribe(一种日志收集系统)、Kafka(一种高吞吐量的分布式发布订阅消息系统，)、Flume(一种分布式的海量日志采集、聚合和传输的系统)、Storm(一种实时处理系统)等开源产品，对日志数据进行抓取解析，从中捕捉可能会用到的信息。此外，处理亿级日志信息，响应时间能做到延迟1秒以内，企业可以基于自身业务场景，对开源项目进行优化，提供更加稳健、快捷的实时数据抓取、统计和计算方案。在此基础上，本发明利用大数据技术，实时监控业务活动效果，并能够充分挖掘历史数据的借鉴价值，及时对实时业务活动效果进行指导分析，有助于发现问题时及时调整活动策略。
图1是根据本发明实施例的业务活动效果的实时评估方法的主要步骤示意图。
如图1所示，本发明实施例的业务活动效果的实时评估方法主要包括如下的步骤S101至步骤S104。其中，预先设置表示业务活动效果的效果指标和影响业务活动效果的多个影响指标。
步骤S101：根据业务活动的实时数据定时统计各影响指标的实时数值和效果指标的实时数值。
执行该定时统计的时间间隔可以根据业务需求自行设定，例如可设定每隔5秒统计一次。
在根据业务活动的实时数据定时统计各影响指标的实时数值和所述效果指标的实时数值的步骤之前，还可以以效果指标的预测值作为因变量，以各影响指标为自变量建立如下的预测模型：
其中，G'为效果指标的预测值，Pi为第i个影响指标，βi为第i个影响指标的系数，μ0为常数项，i为1至n之间任意整数，n为预先设置的影响指标的数量，即G'也可表示为：
G'＝P1β1+P2β2+……+Pnβn+μ0
然后，为预测模型中的各个系数和常数项配置初始值。
为预测模型中的各个系数和常数项配置初始值的步骤，具体可以包括：根据保存的各个历史时段的业务活动数据，按照每个历史时段的业务活动时间定时统计各影响指标的历史数值和效果指标的历史数值，并对于每个历史时段，对统计得到的各影响指标的历史数值和效果指标的历史数值进行多元线性回归分析，以确定每个历史时段的业务活动的线性回归参数向量和随机误差值；根据预设的筛选规则，选取其中一个历史时段的业务活动的线性回归参数向量和随机误差值，并以该选取的线性回归参数向量中的每个线性回归参数值作为各系数的初始值，以及以该选取的随机误差值作为常数项的初始值。其中，业务活动通常为周期性业务活动或者可以循环反复开展的业务活动，例如电商企业开展的商品促销活动。一个历史时段为历史执行该业务活动的一个完整过程所经历的时段，例如，当前年终促销活动的前一年开展年终促销活动所经历的时段(例如该前一年的最后一个月)。
其中，预设的筛选规则可以包括下述至少一项：历史时段的业务活动的时间特征(例如：为历史同期的业务活动)、历史时段的业务活动时长、历史时段的业务活动策略(例如：针对某一细分子业务开展的业务活动)、历史时段的业务活动结束时对应的效果指标数值与预设期望值的近似程度(例如：与设定的当前业务活动效果指标的期望值最接近的历史时段的业务活动)。
步骤S102：在每次执行统计之后，根据各影响指标的实时数值，通过预测模型预测效果指标的预测值，然后根据效果指标的预测值和该效果指标的实时数值计算业务活动效果的实时预测误差值，其中，预测模型中每个影响指标对应一系数。
在通过预测模型预测效果指标的预测值的步骤之前，还可以判断当前时间点是否超过预设的时间点，若是，则更新预测模型中的各个系数的当前值和常数项的当前值，否则不执行该更新。
更新预测模型中的各个系数的当前值和常数项的当前值的步骤，具体可以包括：获取当前时间点之前所有统计得到的各影响指标的实时数值和效果指标的实时数值，对统计得到的各影响指标的实时数值和效果指标的实时数值进行多元线性回归分析，以确定实时的业务活动的线性回归参数向量；根据确定的实时的业务活动的线性回归参数向量与每个历史时段的业务活动的线性回归参数向量逐一进行如下的线性回归参数运算：
其中，βkj表示第k个历史时段的业务活动的线性回归参数向量中的第j个线性回归参数，βrj表示实时的业务活动的线性回归参数向量的第j个线性回归参数，dk表示确定的实时的业务活动的线性回归参数向量与第k个历史时段的业务活动的线性回归参数向量的线性回归参数运算的运算结果，并且，k为1至m之间任意整数，m为已存的业务活动的历史时段的数量，j为1至n之间任意整数，n为预先设置的影响指标的数量，即，dk也可表示为：
以运算结果中最小值对应的历史时段的业务活动的线性回归参数向量和随机误差值分别作为参考线性回归参数向量和参考随机误差值；并以该参考线性回归参数向量中的各线性回归参数更新各系数的当前值，以及以该参考随机误差值更新常数项的当前值。
步骤S103：实时监测计算得到的实时预测误差值是否超过预设阈值，当监测到实时预测误差值超过预设阈值时，判定效果指标的实时数值出现异常波动。
其中，预设阈值可以为当前时间点之前计算得到的所有实时预测误差值的标准差的预设倍数。
具体地，如果当前时间点未超过预设的时间点，则预设倍数可以设置为5倍；如果当前时间点超过预设的时间点，则预设倍数可以设置为3倍。预设的时间点例如可以设置当前的业务活动开始后10分钟。
判定效果指标的实时数值出现异常波动的步骤之后，还可以输出报警消息。
判定效果指标的实时数值出现异常波动的步骤之后，还可以将各个影响指标按照对应系数值的大小排序。
步骤S104：将各个影响指标中对应系数值最大的影响指标判定为导致异常波动的关键数据指标。
下面以业务活动为电子商务领域的商品促销活动(也可简称促销活动)为例，详细解释本发明实施例的业务活动效果的实时评估方法的详细流程。图2是根据本发明实施例的商品促销活动效果的实时评估方法的优选流程示意图。
如图2所示，本发明实施例的商品促销活动效果的实时评估方法优选流程包括如下的步骤S201至步骤S211。
步骤S201：预先设置表示促销效果的效果指标和影响促销效果的多个影响指标。
在促销活动开始之前，可在服务器中预先设置表示促销效果的效果指标和影响促销效果的多个影响指标。其中，效果指标可以为销售业绩指标，例如GMV(商品交易总额)，多个影响指标可以是结合业务经验设置的时间信息、商品信息、商家规模、促销力度、人群特点、竞争态势、库存周转、风险、流量、销售业绩等指标，以促销力度指标为例，该指标具体可以为广告展现次数等。
步骤S202：建立对效果指标的预测模型，并配置模型参数的初始值。
预先以效果指标的预测值作为因变量，以各影响指标为自变量建立如下的预测模型：
其中，G'为效果指标的预测值，Pi为第i个影响指标，βi为第i个影响指标的系数，μ0为常数项，i为1至n之间任意整数，n为预先设置的影响指标的数量；然后，为预测模型中的参数(即各个系数和常数项)配置初始值。
下面介绍为预测模型中的各个系数和常数项配置初始值的具体过程。
首先，根据保存的各个历史时段的促销活动数据，按照每个历史时段的促销活动时间定时统计各影响指标的历史数值和效果指标的历史数值，例如，按照某个历史时段当时的促销时间，假设效果指标为GMV(商品交易总额)，且促销从3月1日零点开始至3月5日23点59分结束)，那么可以设定在该促销时间段内，每隔5秒统计一次各影响指标值和GMV值。并且每次执行该统计的数值均为对应的自历史时段的促销活动开始时刻到执行该统计的时刻的累计值，例如在历史时段的促销活动开始之后10分钟时统计的是该历史时段的促销活动的各影响指标和效果指标在该10分钟内的累计值。此外，需要说明的是，当影响指标为时间信息时，不对该影响指标统计累计值，而只是将时间信息的绝对时间转换为相对时间，例如每隔5秒进行一次数据统计，那么在绝对时间为10分钟的时刻进行数据统计，对应的相对时间为120(每分钟统计12次，则10分钟统计120次)。在每次执行该统计操作之后，可以对统计得到的数据进行数据清洗和数据补缺，以剔除数据统计过程中的数据异常值和补充丢失的数据值。
根据统计得到的各影响指标的历史数值和效果指标的历史数值建立如下的多元线性回归模型：
h、n分别为自然数，且h表示在一个历史时段中对各影响指标的历史数值和效果指标的历史数值的统计次数，n表示预先设置的影响指标的数量，(g1，g2……gh)可表示任一历史时段的促销活动中进行h次统计得到的h个GMV值构成的效果指标向量，(β1，β2……βn)表示线性回归参数向量，(μ1，μ2……μh)表示线性回归分析中的随机误差向量。
为由在一个历史时段中定时统计得到的各影响指标的历史数值组成的线性回归观测值矩阵。
对于每个历史时段的促销活动，按照上述的多元线性回归模型，对统计得到的各影响指标的历史数值和效果指标的历史数值进行多元线性回归分析，可利用最小二乘估计的方法进行多元线性回归分析，具体如下：
β＝(XTX)-1XTY
μ＝Y-Xβ
其中，β为线性回归参数向量(β1，β2……βn)，X表示矩阵XT表示矩阵X的转置矩阵，
(XTX)-1表示(XTX)的逆矩阵，Y表示任一历史时段的促销活动中进行h次统计得到的h个GMV值构成的效果指标向量(g1，g2……gh)。μ表示线性回归分析中的随机误差向量(μ1，μ2……μh)。通过上述多元线性回归分析，得到每个历史时段的业务活动的线性回归参数向量的值和随机误差向量的值，从而得到已存的所有历史时段的业务活动对应的线性回归参数向量(β1，β2……βn)的值和随机误差向量(μ1，μ2，……，μh)的值。根据预设的筛选规则，选取其中一个历史时段的业务活动的线性回归参数向量值和随机误差值，并以该选取的线性回归参数向量中的每个线性回归参数值作为预测模型中的各个系数的初始值，以及以该选取的随机误差值作为所述常数项的初始值。
预设的筛选规则可以包括下述至少一项：历史时段的促销活动的时间特征，例如可以选出与当前促销活动的历史同期促销活动(如同为年终促销)；历史时段的促销活动时长，例如可以选出与当前促销活动的时长相等或接近的历史时段促销活动(如均为促销持续一个月等)；历史时段的促销活动策略，例如可以选出历史时段的促销活动与当前促销活动同为对某类商品进行促销；历史时段的促销活动结束时对应的效果指标数值与预设期望值的近似程度，例如可以根据经验对当前促销活动期望达到的效果指标(如GMV值)设置一目标值，选择历史时段的促销活动的实际GMV值与该目标值最接近的历史时段的促销活动。
步骤S203：根据促销活动的实时数据定时统计各影响指标的实时数值和效果指标的实时数值。
在促销活动开始之后，服务器可以每隔5秒统计一次各影响指标的实时数值和效果指标的实时数值，并且每次统计的各影响指标的实时数值和效果指标的实时数值均为对应的自促销活动开始时刻到统计时刻的累计值。例如，假设促销从3月1日零点开始，那么在3月1日零点10分统计的各影响指标的实时数值和效果指标的实时数值对应为该10分钟内各影响指标和效果指标各自的数值的累计值。此外，统计实时数值与对历史数据的统计规则相同，即，当影响指标为时间信息时，不对该影响指标统计累计值，而只是将时间信息的绝对时间转换为相对时间，例如每隔5秒进行一次数据统计，那么在绝对时间为10分钟的时刻进行数据统计，对应的相对时间为120(每分钟统计12次，则10分钟统计120次)。
步骤S204：判断当前时间点是否超过预设的时间点，若是，则执行步骤S205，否则执行步骤S206。
在每次统计各影响指标的实时数值和效果指标的实时数值之后，判断当前时间点是否超过预设的时间点。
预设的时间点可以根据业务活动的需求来设置，例如，设置预设的时间点为促销活动开始之后10分钟。
步骤S205：更新预测模型中的各个系数的当前值和常数项的当前值。
下面介绍更新预测模型中的各个系数的当前值和常数项的当前值的详细过程。
首先，获取当前时间点之前所有统计得到的各影响指标的实时数值和效果指标的实时数值，对统计得到的各影响指标的实时数值和效果指标的实时数值进行多元线性回归分析，以确定实时的业务活动的线性回归参数向量。具体地，根据统计得到的各影响指标的实时数值和效果指标的实时数值建立如下的多元线性回归模型：
v、n分别为自然数，且v表示在当前时间点之前对各影响指标的实时数值和效果指标的实时数值的统计次数，n表示预先设置的影响指标的数量，(G1，G2……Gv)可表示在当前时间点之前进行v次统计得到的v个GMV值构成的效果指标向量，(βr1，βr2……βrn)表示线性回归参数向量，(μr1，μr2……μrv)表示线性回归分析中的随机误差向量。
为由在当前时间点之前定时统计得到的各影响指标的实时数值组成的线性回归观测值矩阵。
按照该多元线性回归模型，对统计得到的各影响指标的实时数值和效果指标的实时数值进行多元线性回归分析，可利用最小二乘估计的方法进行多元线性回归分析，具体如下：
βr＝(Xr TXr)-1Xr TYr
其中，βr为线性回归参数向量(βr1，βr2……βrn)，Xr表示矩阵Xr T表示矩阵Xr的转置矩阵，
(Xr TXr)-1表示(Xr TXr)的逆矩阵，Yr表示在当前时间点之前进行v次统计得到的v个GMV值构成的效果指标向量(G1，G2……Gv)。通过该多元线性回归分析，得到实时的业务活动的线性回归参数向量(βr1，βr2……βrn)。根据确定的实时的业务活动的线性回归参数向量(βr1，βr2……βrn)与每个历史时段的业务活动的线性回归参数向量(β1，β2……βn)逐一进行线性回归参数运算。为区分各历史时段的业务活动的线性回归参数向量(β1，β2……βn)，以(βk1，βk2……βkn)表示第k个历史时段的业务活动的线性回归参数向量。具体地，线性回归参数运算公式如下：
其中，βkj表示第k个历史时段的业务活动的线性回归参数向量中的第j个线性回归参数，βrj表示实时的业务活动的线性回归参数向量的第j个线性回归参数，dk表示确定的实时的业务活动的线性回归参数向量与第k个历史时段的业务活动的线性回归参数向量的线性回归参数运算的运算结果，并且，k为1至m之间任意整数，m为已存的业务活动的历史时段的数量，j为1至n之间任意整数，n为预先设置的影响指标的数量。
以线性回归参数运算的运算结果dk中最小值对应的历史时段的业务活动的线性回归参数向量和随机误差值分别作为参考线性回归参数向量和参考随机误差值，并以该参考线性回归参数向量中的各线性回归参数更新各系数的当前值，以及以该参考随机误差值更新常数项的当前值。
在更新预测模型中的各个系数的当前值和常数项的当前值之后，执行步骤S206。
步骤S206：根据各影响指标的实时数值，通过预测模型预测效果指标的预测值。
根据在步骤S202建立的预测模型：
即：
G'＝P1β1+P2β2+……Pnβn+μ0
其中，根据各影响指标P1，P2，……Pn的实时数值，以及各影响指标的系数β1，β2，βn的当前值、常数项μ0的当前值可以确定效果指标的预测值G'的具体数值。
步骤S207：根据效果指标的预测值和效果指标的实时数值计算业务活动效果的实时预测误差值。
业务活动效果的实时预测误差值Dr为：
其中，G为效果指标的实时数值。
步骤S208：判断实时预测误差值是否超过预设阈值，若是，则执行步骤S209，否则等待新的统计数据，以便重复执行步骤S203及其后续各步骤。
预设阈值为当前时间点之前计算得到的所有实时预测误差值的标准差δ的预设倍数。即：该标准差δ可以通过如下公式计算：
其中，v表示在当前时间点之前对各影响指标的实时数值和效果指标的实时数值的统计次数，其数值与当前时间点之前计算得到的所有实时预测误差值的数量相等，Dr1，Dr2，……，Drv表示当前时间点之前计算得到的v个实时预测误差值，E(Dr)是该v个实时预测误差的均值，即(Dr1+Dr2+……+Drv)/v。
并且，如果当前时间点未超过预设的时间点，则预设倍数可设置为5倍，如果当前时间点超过预设的时间点，则预设倍数可设置为3倍。即，假设预设的时间点为促销活动开始之后10分钟，那么在促销活动开始的前10分钟，预设阈值为5δ，在在促销活动开始10分钟之后，预设阈值为3δ。
步骤S209：确定效果指标的实时数值出现异常波动，并输出报警消息。
步骤S210：将各个影响指标按照对应系数值的大小排序。
步骤S211：将各个影响指标中对应系数值最大的影响指标判定为导致异常波动的关键数据指标。
在上述的步骤S201中，在服务器中预先设置表示促销效果的效果指标和影响促销效果的多个影响指标，以及步骤S202中，在服务器中建立对效果指标的预测模型，并配置模型参数的初始值之后，服务器将按照预设的定时(例如每隔5秒)不断循环执行上述的步骤S203至步骤S211。从而在整个促销活动实时地监测促销活动的效果，实现在第一时间发现问题并确定引起问题的主要影响因素，还可对各影响因素按照影响程度进行评估排序，增强了分析问题的时效性和针对性，提高辅助决策的有效性，并且，能够很大限度地利用历史数据，对实时数据提供参考警示作用，以便根据新的效果和数据调整活动策略。
图3是根据本发明实施例的业务活动效果的实时评估装置的主要模块示意图。
如图3所示，本发明实施例的业务活动效果的实时评估装置300中，预先设置表示业务活动效果的效果指标和影响业务活动效果的多个影响指标，该业务活动效果的实时评估装置300主要包括：数据收集模块301、误差预测模块302、实时监测模块303、指标判定模块304。
数据收集模块301，用于根据业务活动的实时数据定时统计各影响指标的实时数值和效果指标的实时数值。
误差预测模块302，用于在数据收集模块每次执行统计之后，根据各影响指标的实时数值，通过预测模型预测效果指标的预测值，然后根据效果指标的预测值和该效果指标的实时数值计算业务活动效果的实时预测误差值，其中，预测模型中每个影响指标对应一系数。
实时监测模块303，用于实时监测计算得到的实时预测误差值是否超过预设阈值，当监测到实时预测误差值超过预设阈值时，判定效果指标的实时数值出现异常波动。
预设阈值可以为当前时间点之前计算得到的所有实时预测误差值的标准差的预设倍数。
如果当前时间点未超过预设的时间点，则预设倍数可以为5倍；如果当前时间点超过预设的时间点，则预设倍数可以为3倍。
指标判定模块304，用于将各个影响指标中对应系数值最大的影响指标判定为导致异常波动的关键数据指标。
业务活动效果的实时评估装置300还可以包括模型建立模块，用于以效果指标的预测值作为因变量，以各影响指标为自变量建立如下的预测模型：
其中，G'为所述效果指标的预测值，Pi为第i个影响指标，βi为第i个影响指标的系数，μ0为常数项，i为1至n之间任意整数，n为预先设置的影响指标的数量；然后，为预测模型中的各个系数和常数项配置初始值；
业务活动效果的实时评估装置300还可以包括数值更新模块，用于判断当前时间点是否超过预设的时间点，若是，则更新预测模型中的各个系数的当前值和常数项的当前值，否则不执行该更新。
模型建立模块还可以用于：根据保存的各个历史时段的业务活动数据，按照每个历史时段的业务活动时间定时统计各影响指标的历史数值和效果指标的历史数值，并对于每个历史时段，对统计得到的各影响指标的历史数值和效果指标的历史数值进行多元线性回归分析，以确定每个历史时段的业务活动的线性回归参数向量和随机误差值；根据预设的筛选规则，选取其中一个历史时段的业务活动的线性回归参数向量和随机误差值，并以该选取的线性回归参数向量中的每个线性回归参数值作为各系数的初始值，以及以该选取的随机误差值作为常数项的初始值。
预设的筛选规则包括下述至少一项：历史时段的业务活动的时间特征、历史时段的业务活动时长、历史时段的业务活动策略、历史时段的业务活动结束时对应的效果指标数值与预设期望值的近似程度。
数值更新模块还可以用于：获取当前时间点之前所有统计得到的各影响指标的实时数值和效果指标的实时数值，对统计得到的各影响指标的实时数值和效果指标的实时数值进行多元线性回归分析，以确定实时的业务活动的线性回归参数向量；根据确定的实时的业务活动的线性回归参数向量与每个历史时段的业务活动的线性回归参数向量逐一进行如下的线性回归参数运算：
其中，βkj表示第k个历史时段的业务活动的线性回归参数向量中的第j个线性回归参数，βrj表示实时的业务活动的线性回归参数向量的第j个线性回归参数，dk表示确定的实时的业务活动的线性回归参数向量与第k个历史时段的业务活动的线性回归参数向量的线性回归参数运算的运算结果，并且，k为1至m之间任意整数，m为已存的业务活动的历史时段的数量，j为1至n之间任意整数，n为预先设置的影响指标的数量；以运算结果中最小值对应的历史时段的业务活动的线性回归参数向量和随机误差值分别作为参考线性回归参数向量和参考随机误差值；并以该参考线性回归参数向量中的各线性回归参数更新各系数的当前值，以及以该参考随机误差值更新常数项的当前值。
业务活动效果的实时评估装置300还可以包括指标排序模块：用于将各个影响指标按照对应系数值的大小排序。
业务活动效果的实时评估装置300还可以包括消息报警模块，用于在实时监测模块判定效果指标的实时数值出现异常波动之后，输出报警消息。
需要说明的是，本发明实施例的业务活动为电子商务领域的商品促销活动，还可适用于其他领域的周期性的业务活动，同样，本发明实施例的上述业务活动效果的实时评估方法或装置也不仅限于评估促销活动的促销效果，还可适用于其他需要实时评估业务活动效果的业务场景。
下面参考图4，其示出了适于用来实现本申请实施例的服务器的计算机系统400的结构示意图。图4示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示，计算机系统400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有系统400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括数据收集模块301、误差预测模块302、实时监测模块303、指标判定模块304。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，数据收集模块301还可以被描述为“用于根据业务活动的实时数据定时统计各影响指标的实时数值和效果指标的实时数值的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：根据业务活动的实时数据定时统计各影响指标的实时数值和所述效果指标的实时数值；在每次执行所述统计之后，根据各影响指标的实时数值，通过预测模型预测效果指标的预测值，然后根据效果指标的预测值和该效果指标的实时数值计算业务活动效果的实时预测误差值，其中，预测模型中每个影响指标对应一系数；实时监测计算得到的实时预测误差值是否超过预设阈值，当监测到实时预测误差值超过预设阈值时，判定效果指标的实时数值出现异常波动；将各个影响指标中对应系数值最大的影响指标判定为导致异常波动的关键数据指标。
根据本发明实施例的技术方案，根据业务活动的实时数据定时统计各影响指标的实时数值和效果指标的实时数值；在每次执行统计之后，根据各影响指标的实时数值，通过预测模型预测效果指标的预测值，然后根据效果指标的预测值和该效果指标的实时数值计算业务活动效果的实时预测误差值，其中，预测模型中每个影响指标对应一系数；实时监测计算得到的实时预测误差值是否超过预设阈值，当监测到实时预测误差值超过预设阈值时，判定效果指标的实时数值出现异常波动；将各个影响指标中对应系数值最大的影响指标判定为导致异常波动的关键数据指标。使用本发明实施例的技术方案，能够实时监测和评估活动效果，在第一时间发现问题并确定引起问题的主要影响因素，还可对各影响因素按照影响程度进行评估排序，增强了分析问题的时效性和针对性，提高辅助决策的有效性，并且，能够很大限度地利用历史数据，对实时数据提供参考警示作用，以便根据新的效果和数据调整活动策略。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (20)
1.一种业务活动效果的实时评估方法，其特征在于，预先设置表示业务活动效果的效果指标和影响业务活动效果的多个影响指标，所述方法包括：
根据业务活动的实时数据定时统计各影响指标的实时数值和所述效果指标的实时数值；
在每次执行所述统计之后，根据各影响指标的实时数值，通过预测模型预测所述效果指标的预测值，然后根据所述效果指标的预测值和该效果指标的实时数值计算业务活动效果的实时预测误差值，其中，所述预测模型中每个影响指标对应一系数；
实时监测计算得到的实时预测误差值是否超过预设阈值，当监测到所述实时预测误差值超过所述预设阈值时，判定所述效果指标的实时数值出现异常波动；
将各个影响指标中对应系数值最大的影响指标判定为导致所述异常波动的关键数据指标。
2.根据权利要求1所述的方法，其特征在于，在所述根据业务活动的实时数据定时统计各影响指标的实时数值和所述效果指标的实时数值的步骤之前，还包括：
以所述效果指标的预测值作为因变量，以所述各影响指标为自变量建立如下的预测模型：
<mrow>
<msup>
<mi>G</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
</mrow>
其中，G'为所述效果指标的预测值，Pi为第i个影响指标，βi为第i个影响指标的系数，μ0为常数项，i为1至n之间任意整数，n为预先设置的所述影响指标的数量；然后，为所述预测模型中的各个系数和常数项配置初始值；
并且，
在所述通过预测模型预测所述效果指标的预测值的步骤之前，还包括：判断当前时间点是否超过预设的时间点，若是，则更新所述预测模型中的各个系数的当前值和常数项的当前值，否则不执行该更新。
3.根据权利要求2所述的方法，其特征在于，为所述预测模型中的各个系数和常数项配置初始值的步骤，包括：
根据保存的各个历史时段的业务活动数据，按照每个历史时段的业务活动时间定时统计各影响指标的历史数值和所述效果指标的历史数值，并对于每个历史时段，对统计得到的各影响指标的历史数值和所述效果指标的历史数值进行多元线性回归分析，以确定每个历史时段的业务活动的线性回归参数向量和随机误差值；
根据预设的筛选规则，选取其中一个历史时段的业务活动的线性回归参数向量和随机误差值，并以该选取的线性回归参数向量中的每个线性回归参数值作为所述各系数的初始值，以及以该选取的随机误差值作为所述常数项的初始值。
4.根据权利要求3所述的方法，其特征在于，更新所述预测模型中的各个系数的当前值和常数项的当前值的步骤包括：
获取所述当前时间点之前所有统计得到的各影响指标的实时数值和所述效果指标的实时数值，对统计得到的各影响指标的实时数值和所述效果指标的实时数值进行多元线性回归分析，以确定实时的业务活动的线性回归参数向量；
根据所述确定的实时的业务活动的线性回归参数向量与所述每个历史时段的业务活动的线性回归参数向量逐一进行如下的线性回归参数运算：
<mrow>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>r</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中，βkj表示第k个历史时段的业务活动的线性回归参数向量中的第j个线性回归参数，βrj表示实时的业务活动的线性回归参数向量的第j个线性回归参数，dk表示所述确定的实时的业务活动的线性回归参数向量与第k个历史时段的业务活动的线性回归参数向量的所述线性回归参数运算的运算结果，并且，k为1至m之间任意整数，m为已存的业务活动的历史时段的数量，j为1至n之间任意整数，n为所述预先设置的所述影响指标的数量；
以所述运算结果中最小值对应的所述历史时段的业务活动的线性回归参数向量和随机误差值分别作为参考线性回归参数向量和参考随机误差值；
并以该参考线性回归参数向量中的各线性回归参数更新所述各系数的当前值，以及以该参考随机误差值更新所述常数项的当前值。
5.根据权利要求1所述的方法，其特征在于，判定所述效果指标的实时数值出现异常波动的步骤之后，还包括：
将各个影响指标按照对应系数值的大小排序。
6.根据权利要求2所述的方法，其特征在于，所述预设阈值为所述当前时间点之前计算得到的所有实时预测误差值的标准差的预设倍数。
7.根据权利要求6所述的方法，其特征在于，如果所述当前时间点未超过所述预设的时间点，则所述预设倍数为5倍；如果所述当前时间点超过所述预设的时间点，则所述预设倍数为3倍。
8.根据权利要求3所述的方法，其特征在于，所述预设的筛选规则包括下述至少一项：历史时段的业务活动的时间特征、历史时段的业务活动时长、历史时段的业务活动策略、历史时段的业务活动结束时对应的效果指标数值与预设期望值的近似程度。
9.根据权利要求1所述的方法，其特征在于，判定所述效果指标的实时数值出现异常波动的步骤之后，还包括：输出报警消息。
10.一种业务活动效果的实时评估装置，其特征在于，预先设置表示业务活动效果的效果指标和影响业务活动效果的多个影响指标，所述装置包括：
数据收集模块，用于根据业务活动的实时数据定时统计各影响指标的实时数值和所述效果指标的实时数值；
误差预测模块，用于在所述数据收集模块每次执行所述统计之后，根据各影响指标的实时数值，通过预测模型预测所述效果指标的预测值，然后根据所述效果指标的预测值和该效果指标的实时数值计算业务活动效果的实时预测误差值，其中，所述预测模型中每个影响指标对应一系数；
实时监测模块，用于实时监测计算得到的实时预测误差值是否超过预设阈值，当监测到所述实时预测误差值超过所述预设阈值时，判定所述效果指标的实时数值出现异常波动；
指标判定模块，用于将各个影响指标中对应系数值最大的影响指标判定为导致所述异常波动的关键数据指标。
11.根据权利要求10所述的装置，其特征在于，还包括模型建立模块：
用于以所述效果指标的预测值作为因变量，以所述各影响指标为自变量建立如下的预测模型：
<mrow>
<msup>
<mi>G</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
</mrow>
其中，G'为所述效果指标的预测值，Pi为第i个影响指标，βi为第i个影响指标的系数，μ0为常数项，i为1至n之间任意整数，n为预先设置的所述影响指标的数量；然后，为所述预测模型中的各个系数和常数项配置初始值；
并且，
所述装置还包括数值更新模块：用于判断当前时间点是否超过预设的时间点，若是，则更新所述预测模型中的各个系数的当前值和常数项的当前值，否则不执行该更新。
12.根据权利要求11所述的装置，其特征在于，所述模型建立模块还用于：
根据保存的各个历史时段的业务活动数据，按照每个历史时段的业务活动时间定时统计各影响指标的历史数值和所述效果指标的历史数值，并对于每个历史时段，对统计得到的各影响指标的历史数值和所述效果指标的历史数值进行多元线性回归分析，以确定每个历史时段的业务活动的线性回归参数向量和随机误差值；
根据预设的筛选规则，选取其中一个历史时段的业务活动的线性回归参数向量和随机误差值，并以该选取的线性回归参数向量中的每个线性回归参数值作为所述各系数的初始值，以及以该选取的随机误差值作为所述常数项的初始值。
13.根据权利要求12所述的装置，其特征在于，所述数值更新模块还用于：
获取所述当前时间点之前所有统计得到的各影响指标的实时数值和所述效果指标的实时数值，对统计得到的各影响指标的实时数值和所述效果指标的实时数值进行多元线性回归分析，以确定实时的业务活动的线性回归参数向量；
根据所述确定的实时的业务活动的线性回归参数向量与所述每个历史时段的业务活动的线性回归参数向量逐一进行如下的线性回归参数运算：
<mrow>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>r</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中，βkj表示第k个历史时段的业务活动的线性回归参数向量中的第j个线性回归参数，βrj表示实时的业务活动的线性回归参数向量的第j个线性回归参数，dk表示所述确定的实时的业务活动的线性回归参数向量与第k个历史时段的业务活动的线性回归参数向量的所述线性回归参数运算的运算结果，并且，k为1至m之间任意整数，m为已存的业务活动的历史时段的数量，j为1至n之间任意整数，n为所述预先设置的所述影响指标的数量；
以所述运算结果中最小值对应的所述历史时段的业务活动的线性回归参数向量和随机误差值分别作为参考线性回归参数向量和参考随机误差值；
并以该参考线性回归参数向量中的各线性回归参数更新所述各系数的当前值，以及以该参考随机误差值更新所述常数项的当前值。
14.根据权利要求10所述的装置，其特征在于，还包括指标排序模块：
用于将各个影响指标按照对应系数值的大小排序。
15.根据权利要求11所述的装置，其特征在于，所述预设阈值为所述当前时间点之前计算得到的所有实时预测误差值的标准差的预设倍数。
16.根据权利要求15所述的装置，其特征在于，如果所述当前时间点未超过所述预设的时间点，则所述预设倍数为5倍；如果所述当前时间点超过所述预设的时间点，则所述预设倍数为3倍。
17.根据权利要求12所述的装置，其特征在于，所述预设的筛选规则包括下述至少一项：历史时段的业务活动的时间特征、历史时段的业务活动时长、历史时段的业务活动策略、历史时段的业务活动结束时对应的效果指标数值与预设期望值的近似程度。
18.根据权利要求10所述的装置，其特征在于，还包括消息报警模块，用于在所述实时监测模块判定所述效果指标的实时数值出现异常波动之后，输出报警消息。
19.一种服务器，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
20.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710515328.0A CN107330614A (zh) | 2017-06-29 | 2017-06-29 | 一种业务活动效果的实时评估方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710515328.0A CN107330614A (zh) | 2017-06-29 | 2017-06-29 | 一种业务活动效果的实时评估方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107330614A true CN107330614A (zh) | 2017-11-07 |
Family
ID=60198289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710515328.0A Pending CN107330614A (zh) | 2017-06-29 | 2017-06-29 | 一种业务活动效果的实时评估方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107330614A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108829638A (zh) * | 2018-06-01 | 2018-11-16 | 阿里巴巴集团控股有限公司 | 一种业务数据波动处理方法及装置 |
| CN109298989A (zh) * | 2018-09-14 | 2019-02-01 | 北京市天元网络技术股份有限公司 | 业务指标阈值获取方法及装置 |
| CN109726075A (zh) * | 2018-11-30 | 2019-05-07 | 深圳市创梦天地科技有限公司 | 一种异常数据指标分析的方法及装置 |
| CN109960626A (zh) * | 2017-12-26 | 2019-07-02 | 中国移动通信集团辽宁有限公司 | 端口异常的识别方法、装置、设备及介质 |
| CN110033130A (zh) * | 2019-03-28 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 异常业务的监控方法及装置 |
| CN110348903A (zh) * | 2019-07-08 | 2019-10-18 | 汇通达网络股份有限公司 | 一种可灵活扩展的全生命周期管理促销平台建设方法 |
| CN110875856A (zh) * | 2018-08-31 | 2020-03-10 | 北京京东尚科信息技术有限公司 | 激活数据异常检测与分析的方法和装置 |
| CN111523764A (zh) * | 2020-03-24 | 2020-08-11 | 中国工商银行股份有限公司 | 业务架构检测方法、装置、工具、电子设备和介质 |
| CN111666191A (zh) * | 2020-06-09 | 2020-09-15 | 贝壳技术有限公司 | 数据质量监控方法、装置、电子设备及存储介质 |
| CN111753386A (zh) * | 2019-03-11 | 2020-10-09 | 北京嘀嘀无限科技发展有限公司 | 一种数据处理方法及装置 |
| CN112686418A (zh) * | 2019-10-18 | 2021-04-20 | 北京京东振世信息技术有限公司 | 一种履约时效预测方法和装置 |
-
2017
- 2017-06-29 CN CN201710515328.0A patent/CN107330614A/zh active Pending
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109960626B (zh) * | 2017-12-26 | 2022-10-18 | 中国移动通信集团辽宁有限公司 | 端口异常的识别方法、装置、设备及介质 |
| CN109960626A (zh) * | 2017-12-26 | 2019-07-02 | 中国移动通信集团辽宁有限公司 | 端口异常的识别方法、装置、设备及介质 |
| CN108829638A (zh) * | 2018-06-01 | 2018-11-16 | 阿里巴巴集团控股有限公司 | 一种业务数据波动处理方法及装置 |
| CN108829638B (zh) * | 2018-06-01 | 2022-12-16 | 创新先进技术有限公司 | 一种业务数据波动处理方法及装置 |
| CN110875856A (zh) * | 2018-08-31 | 2020-03-10 | 北京京东尚科信息技术有限公司 | 激活数据异常检测与分析的方法和装置 |
| CN110875856B (zh) * | 2018-08-31 | 2022-11-08 | 北京京东尚科信息技术有限公司 | 激活数据异常检测与分析的方法和装置 |
| CN109298989A (zh) * | 2018-09-14 | 2019-02-01 | 北京市天元网络技术股份有限公司 | 业务指标阈值获取方法及装置 |
| CN109726075A (zh) * | 2018-11-30 | 2019-05-07 | 深圳市创梦天地科技有限公司 | 一种异常数据指标分析的方法及装置 |
| CN111753386B (zh) * | 2019-03-11 | 2024-03-26 | 北京嘀嘀无限科技发展有限公司 | 一种数据处理方法及装置 |
| CN111753386A (zh) * | 2019-03-11 | 2020-10-09 | 北京嘀嘀无限科技发展有限公司 | 一种数据处理方法及装置 |
| CN110033130A (zh) * | 2019-03-28 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 异常业务的监控方法及装置 |
| CN110348903A (zh) * | 2019-07-08 | 2019-10-18 | 汇通达网络股份有限公司 | 一种可灵活扩展的全生命周期管理促销平台建设方法 |
| CN112686418A (zh) * | 2019-10-18 | 2021-04-20 | 北京京东振世信息技术有限公司 | 一种履约时效预测方法和装置 |
| CN111523764A (zh) * | 2020-03-24 | 2020-08-11 | 中国工商银行股份有限公司 | 业务架构检测方法、装置、工具、电子设备和介质 |
| CN111666191A (zh) * | 2020-06-09 | 2020-09-15 | 贝壳技术有限公司 | 数据质量监控方法、装置、电子设备及存储介质 |
| CN111666191B (zh) * | 2020-06-09 | 2023-09-29 | 贝壳技术有限公司 | 数据质量监控方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107330614A (zh) | 一种业务活动效果的实时评估方法和装置 | |
| US11086762B2 (en) | Methods and systems for predicting estimation of project factors in software development | |
| CN107730087A (zh) | 预测模型训练方法、数据监控方法、装置、设备及介质 | |
| CN107809331A (zh) | 识别异常流量的方法和装置 | |
| CN107491970A (zh) | 实时反作弊检测监控方法和系统以及计算设备 | |
| US20110270644A1 (en) | System and method to estimate the effects of risks on the time progression of projects | |
| US20080183562A1 (en) | Method for managing and controlling stability in business activity monitoring and management systems | |
| US8620834B2 (en) | Forecasting through time domain analysis | |
| Intihar et al. | Container throughput forecasting using dynamic factor analysis and ARIMAX model | |
| JP2007515020A (ja) | 意味のある変動を明らかにする自動監視及び動的プロセスメトリクスの統計分析 | |
| CN110245049B (zh) | 产品配置数据的监控方法、装置、设备及存储介质 | |
| CN110991875A (zh) | 一种平台用户质量评估系统 | |
| CN108460521A (zh) | 审计对象的推荐方法和系统 | |
| CN113099476A (zh) | 网络质量检测方法、装置、设备及存储介质 | |
| Djekic et al. | Quality costs in a fruit processing company: a case study of a Serbian company | |
| CN107819745A (zh) | 异常流量的防御方法和装置 | |
| CN110544052A (zh) | 关系网络图的展示方法及装置 | |
| Jetmarová | Benchmarking: methods of raising company efficiency by learning from the best-in-class | |
| Lesmana et al. | Productivity analysis in assembly department using objective matrix (OMAX) method in labor intensive manufacturing | |
| CN107480703A (zh) | 交易故障检测方法及装置 | |
| CN113052417A (zh) | 一种资源配置方法以及装置 | |
| CN109978617A (zh) | 农产品大数据预测方法、系统、终端及存储介质 | |
| Voloshko et al. | An improved pre-forecasting analysis of electrical loads of pumping station | |
| CN112598344B (zh) | 温度报警区间的动态调节方法、装置、电子设备及介质 | |
| Fostolovych | Innovative model of post-industrial system of management of agricultural enterprises development |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171107 |