CN107688901B - 数据调整方法及装置 - Google Patents
数据调整方法及装置 Download PDFInfo
- Publication number
- CN107688901B CN107688901B CN201710737024.9A CN201710737024A CN107688901B CN 107688901 B CN107688901 B CN 107688901B CN 201710737024 A CN201710737024 A CN 201710737024A CN 107688901 B CN107688901 B CN 107688901B
- Authority
- CN
- China
- Prior art keywords
- data
- weight
- generating
- specified
- value coefficient
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 44
- 230000009467 reduction Effects 0.000 claims description 36
- 238000003066 decision tree Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000003750 conditioning effect Effects 0.000 claims 1
- 230000004044 response Effects 0.000 abstract description 12
- 238000004883 computer application Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 239000013585 weight reducing agent Substances 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Images
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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施方式提供了数据调整方法及装置,涉及计算机应用技术领域。其中,所述数据调整方法包括:从历史订单请求中解析出指定数据;根据所述指定数据生成用户剩余价值系数;响应于所述用户剩余价值系数执行数据调整处理。由于根据历史订单请求生成用户剩余价值系数,并通过该用户剩余价值系数来进行数据调整处理,因此,实现了基于历史数据预测未来的趋势,从而使得调整后的数据更加符合实际的业务场景,进而提高了数据调整的合理性和准确性。
Description
技术领域
本发明涉及计算机应用技术领域,更为具体而言,涉及数据调整方法及装置。
背景技术
当今时代是信息技术的时代,大部分企业已经完成了经营管理的信息化,特别是在应用信息技术较多的企业,都有了自己的资源管理系统,因此如何更好地利用收集到的数据进行有效的分析,以进行策略调控(例如,进行价格策略的调控等)已成为当今时代的主题。在现阶段一般基于数据挖掘技术来调控策略,即从大量的数据中通过算法分析出隐藏于其中的信息(例如,价格信息),再根据分析出的信息进行策略调控。
发明内容
在现有技术中,一般采用随机森林等方法,通过特征来学习出历史中的最佳方案,但是这种方式无法决策未来的趋势,脱离了实际的业务场景,从而影响了数据调整(例如,价格调整)的合理性和准确性。
对此,本发明实施方式提供了数据调整方法及装置,用以解决现有技术中所存在的上述技术问题。
第一方面,本发明实施方式提供了一种数据调整方法。
具体地,所述方法包括:
从历史订单请求中解析出指定数据;
根据所述指定数据生成用户剩余价值系数(在业务场景(例如外卖场景)中,在不影响用户心理决策的情况下,可获取到用户最大利润的指数);
响应于所述用户剩余价值系数执行数据调整处理。
由于根据历史订单请求生成用户剩余价值系数,并通过该用户剩余价值系数来进行数据调整处理,因此,实现了基于历史数据预测未来的趋势,从而使得调整后的数据更加符合实际的业务场景,进而提高了数据调整的合理性和准确性。
结合第一方面,在本发明的一些实施方式中,根据所述指定数据生成用户剩余价值系数包括:
基于所述指定数据构建关系矩阵;
根据所述关系矩阵生成所述用户剩余价值系数。
由于将用于生成用户剩余价值系数的相关参数以关系矩阵的方式进行存储,因此可以更加直观、高效地获取相关数据,从而提高生成用户剩余价值系数的执行效率。
结合第一方面,在本发明的一些实施方式中,根据所述关系矩阵生成所述用户剩余价值系数包括:
基于所述关系矩阵确定指定时间段的第一数据和第二数据;
确定所述指定时间段的权重;
根据所述第一数据、第二数据和权重,生成所述用户剩余价值系数。
通过引入指定时间段的权重来生成用户剩余价值系数,可以进一步提高数据调整的合理性和准确性。
结合第一方面,在本发明的一些实施方式中,根据所述第一数据、第二数据和权重,生成所述用户剩余价值系数包括:
基于所述第一数据和所述权重,生成第一数据加权值缩减度(在下文中将结合具体示例对第一数据加权值缩减度进行详细描述);
基于所述第二数据和所述权重,生成第二数据加权值缩减度(在下文中将结合具体示例对第二数据加权值缩减度进行详细描述);
根据所述第一数据加权值缩减度和所述第二数据加权值缩减度,生成所述用户剩余价值系数。
由于基于第一数据加权值和第二数据加权值的缩减度来生成用户剩余价值系数,因此,能够使得用户剩余价值系数更加符合实际,从而保证数据调整的合理性和准确性。
结合第一方面,在本发明的一些实施方式中,确定所述指定时间段的权重包括:
以订单量为结果指标,通过决策树算法确定所述权重。
由于以订单量为结果指标,通过决策树算法确定权重,因此,可以实现自动确定权重,提高数据调整的智能化程度。
第二方面,本发明实施方式提供了一种数据调整装置。
具体地,所述装置包括:
解析模块,用于从历史订单请求中解析出指定数据;
生成模块,用于根据所述指定数据生成用户剩余价值系数;
调整模块,用于响应于所述用户剩余价值系数执行数据调整处理。
由于根据历史订单请求生成用户剩余价值系数,并通过该用户剩余价值系数来进行数据调整处理,因此,实现了基于历史数据预测未来的趋势,从而使得调整后的数据更加符合实际的业务场景,进而提高了数据调整的合理性和准确性。
结合第二方面,在本发明的一些实施方式中,所述生成模块包括:
构建单元,用于基于所述指定数据构建关系矩阵;
生成单元,用于根据所述关系矩阵生成所述用户剩余价值系数。
由于将用于生成用户剩余价值系数的相关参数以关系矩阵的方式进行存储,因此可以更加直观、高效地获取相关数据,从而提高生成用户剩余价值系数的执行效率。
结合第二方面,在本发明的一些实施方式中,所述生成单元包括:
第一确定组件,用于基于所述关系矩阵确定指定时间段的第一数据和第二数据;
第二确定组件,用于确定所述指定时间段的权重;
生成组件,用于根据所述第一数据、第二数据和权重,生成所述用户剩余价值系数。
通过引入指定时间段的权重来生成用户剩余价值系数,可以进一步提高数据调整的合理性和准确性。
结合第二方面,在本发明的一些实施方式中,所述生成组件包括:
第一生成子组件,用于基于所述第一数据和所述权重,生成第一数据加权值缩减度;
第二生成子组件,用于基于所述第二数据和所述权重,生成第二数据加权值缩减度;
第三生成子组件,用于根据所述第一数据加权值缩减度和所述第二数据加权值缩减度,生成所述用户剩余价值系数。
由于基于第一数据加权值和第二数据加权值的缩减度来生成用户剩余价值系数,因此,能够使得用户剩余价值系数更加符合实际,从而保证数据调整的合理性和准确性。
结合第二方面,在本发明的一些实施方式中,所述第二确定组件用于通过以下方式实现确定所述指定时间段的权重:以订单量为结果指标,通过决策树算法确定所述权重。
由于以订单量为结果指标,通过决策树算法确定权重,因此,可以实现自动确定权重,提高数据调整的智能化程度。
本发明的这些方面或其他方面在以下具体实施方式的描述中会更加简明易懂。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式描述中所需要使用的附图作一简单的介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明方法实施方式1的数据调整方法的流程图;
图2是根据本发明方法实施方式2的数据调整方法的流程图;
图3是根据本发明方法实施方式3的数据调整方法的流程图;
图4是根据本发明方法实施方式4的数据调整方法的流程图;
图5是根据本发明方法实施方式5的数据调整方法的流程图;
图6是根据本发明方法实施方式6的数据调整方法的流程图;
图7是根据本发明产品实施方式1的数据调整装置的结构示意图;
图8示出了图7所示的计算模块12的一种实施方式;
图9示出了图8所示的计算单元122的一种实施方式;
图10示出了图9所示的计算组件1223的一种实施方式;
图11示出了图7所示的调整模块13的一种实施方式;
图12是根据本发明实施方式的一种终端设备的结构示意图。
具体实施方式
以下结合附图和具体实施方式对本发明的各个方面进行详细阐述。其中,在本发明的各个具体实施方式中,众所周知的操作过程、程序模块、单元及其相互之间的连接、链接、通信或操作没有示出或未作详细说明。
并且,所描述的特征、架构或功能可在一个或一个以上实施例中以任何方式组合。
此外,本领域技术人员应当理解,下述的各种实施方式只用于举例说明,而非用于限制本发明的保护范围。本领域的技术人员还可以容易理解,本文所述和附图所示的各实施方式中的程序模块、单元或步骤可以按多种不同配置进行组合和设计。
对于未在本说明书中进行具体说明的技术术语,除非另有特定说明,都应以本领域最宽泛的意思进行解释。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的标号如S10、S11等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明的一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域技术人员在没有付出创造性劳动的前提下所获得的所有其他实施方式,都属于本发明保护的范围。
【方法实施方式1】
图1是根据本发明方法实施方式1的数据调整方法的流程图。参见图1,在本实施方式中,所述方法包括:
S11:从历史订单请求中解析出指定数据。
S12:根据所述指定数据生成用户剩余价值系数。
S13:响应于所述用户剩余价值系数执行数据调整处理。
其中,所述指定数据例如包括但不限于:运营数据(与商品运营相关的数据,例如包括用户购买商品的品类、消费额度和购买行为的发生时间以及商户的营销费用等)。
由于根据历史订单请求生成用户剩余价值系数,并通过该用户剩余价值系数来进行数据调整处理,因此,实现了基于历史数据预测未来的趋势,从而使得调整后的数据更加符合实际的业务场景,进而提高了数据调整的合理性和准确性。
【方法实施方式2】
图2是根据本发明方法实施方式2的数据调整方法的流程图。参见图2,在本实施方式中,所述方法包括:
S21:从历史订单请求中解析出指定数据。
S22:基于所述指定数据构建关系矩阵。
S23:根据所述关系矩阵生成用户剩余价值系数。
S24:响应于所述用户剩余价值系数执行数据调整处理。
其中,所述关系矩阵例如用于表征消费额与营销费用之间的关联关系。如下表所示,所述关系矩阵例如基于消费额度、时间和营销费用之间的关联关系构建而成。
M1 | M2 | M3 | M4 | M5 | M6 | ||
P1 | 3 | 1 | 2 | 1 | 1 | 1 | L1 |
P2 | 3 | 3 | 1 | 2 | 10 | 6 | L2 |
P3 | 1 | 2 | 1 | 1 | 2 | 1 | L3 |
P4 | 20 | 18 | 22 | 30 | 15 | 28 | L4 |
P5 | 0 | 0 | 0 | 1 | 0 | 0 | L5 |
表1
表1所示的矩阵中记录了近6个月的数据,P1至P5表示各种单次消费段(用户的单次消费额度),而M1至M6为截止到当前时间为止最近的6个月,L1至L5表示各种单次营销段(商户的单次营销额度),每个单元格表示对应的消费段和营销段在对应的月份内的交易次数,例如,P2和L2在一月的交易次数为3次,在二月的交易次数为3次,在三月的交易次数为1次,在四月的交易次数为2次,在五月的交易次数为10次,在六月的交易次数为6次。
由于将用于生成用户剩余价值系数的相关参数以关系矩阵的方式进行存储,因此可以更加直观、高效地获取相关数据,从而提高生成用户剩余价值系数的执行效率。
【方法实施方式3】
图3是根据本发明方法实施方式3的数据调整方法的流程图。参见图3,在本实施方式中,所述方法包括:
S31:从历史订单请求中解析出指定数据。
S32:基于所述指定数据构建关系矩阵。
S33:基于所述关系矩阵确定指定时间段的第一数据和第二数据。
S34:确定所述指定时间段的权重。
S35:根据所述第一数据、第二数据和权重,生成用户剩余价值系数。
S36:响应于所述用户剩余价值系数执行数据调整处理。
在本实施方式中,可以以月为单位确定指定时间段,例如,表1中M1至M6中的每一个即为一个指定时间段。
其中,第一数据例如为累计销售额,第二数据例如为累计营销额。以指定时间段M1为例,M1的第一数据AP1为:3*P1+3*P2+P3+20*P4+0*P5,M1的第二数据AL1为:3*L1+3*L2+L3+20*L4+0*L5。
示例性地,可以进一步引入时间权重和客单价权重(客单价是指一个顾客平均购买商品的金额,即平均交易金额)来计算用户剩余价值系数,以进一步提高数据调整的合理性和准确性。
【方法实施方式4】
图4是根据本发明方法实施方式4的数据调整方法的流程图。参见图4,在本实施方式中,所述方法包括:
S41:从历史订单请求中解析出指定数据。
S42:基于所述指定数据构建关系矩阵。
S43:基于所述关系矩阵确定指定时间段的第一数据和第二数据。
S44:确定所述指定时间段的权重。
S45:基于所述第一数据和所述权重,生成第一数据加权值缩减度。
S46:基于所述第二数据和所述权重,生成第二数据加权值缩减度。
S47:根据所述第一数据加权值缩减度和所述第二数据加权值缩减度,生成用户剩余价值系数。
S48:响应于所述用户剩余价值系数执行数据调整处理。
第一数据加权值缩减度为:距离当前时间较远的一个指定时间段的第一数据加权值与距离当前时间较近的一个指定时间段的第一数据加权值之差,与该距离当前时间较远的指定时间段的第一数据加权值的比值。
第一数据加权值为:所述第一数据与相应权重的乘积。
类似地,第二数据加权值缩减度为:距离当前时间较远的一个指定时间段的第二数据加权值与距离当前时间较近的一个指定时间段的第二数据加权值之差,与该距离当前时间较远的指定时间段的第二数据加权值的比值。
第二数据加权值为:所述第二数据与相应权重的乘积。
仍以第一数据为累计销售额、第二数据为累计营销额为例,参见表1,指定时间段M1和指定时间段M6间的第一数据加权值缩减度为:(W1*AP1-W6*AP6)/W1*AP1=1-W6*AP6/W1*AP1,其中,W1和W6分别为M1和M6的权重,AP1和AP6分别为M1和M6的第一数据。
M1和M6的第二数据加权值缩减度为:(W1*AL1-W6*AL6)/W1*AL1=1-W6*AL6/W1*AL1,其中,W1和W6分别为M1和M6的权重,AL1和AL6分别为M1和M6的第二数据。
由于基于第一数据加权值和第二数据加权值的缩减度来生成用户剩余价值系数,因此,能够使得用户剩余价值系数更加符合实际,从而保证数据调整的合理性和准确性。
【方法实施方式5】
图5是根据本发明方法实施方式5的数据调整方法的流程图。参见图5,在本实施方式中,所述方法包括:
S51:从历史订单请求中解析出指定数据。
S52:基于所述指定数据构建关系矩阵。
S53:基于所述关系矩阵确定指定时间段的第一数据和第二数据。
S54:以订单量为结果指标,通过决策树算法确定所述指定时间段的权重。
S55:根据所述第一数据、第二数据和权重,生成用户剩余价值系数。
S56:响应于所述用户剩余价值系数执行数据调整处理。
决策树是通过一系列规则对数据进行分类的过程。它提供一种在什么条件下会得到什么值的类似规则的方法。决策树分为分类树和回归树两种,分类树对离散变量做决策树,回归树对连续变量做决策树。
决策树也是数据挖掘算法,直观看上去,决策树分类器就像是由判断模块和终止块组成的流程图,终止块表示分类结果(也就是树的叶子)。判断模块表示对一个特征取值的判断(该特征有几个值,判断模块就有几个分支)。
如果不考虑效率等,那么把所有特征的判断级联起来终会将某一个样本分到一个类终止块上。实际上,所有特征中有一些特征在分类时起到决定性作用,决策树的构造过程就是找到这些具有决定性作用的特征,根据其决定性程度来构造一个倒立的树,决定性作用最大的那个特征作为根节点,然后递归找到各分支下子数据集中次大的决定性特征,直至子数据集中所有数据都属于同一类。所以,构造决策树的过程本质上就是根据数据特征将数据集分类的递归过程。
由于以订单量为结果指标,通过决策树算法确定权重,因此,可以实现自动确定权重,提高数据调整的智能化程度。
【方法实施方式6】
图6是根据本发明方法实施方式6的数据调整方法的流程图。参见图6,在本实施方式中,所述方法包括:
S61:从历史订单请求中解析出指定数据。
S62:根据所述指定数据生成用户剩余价值系数。
S63:从数据表中读取当前价格。
S64:将所述当前价格和所述用户剩余价值系数输入到设定的计算模型中,以得到修正价格。
S65:将所述数据表中的当前价格调整为所述修正价格。
在本实施方式中,所述计算模型例如用于计算所述当前价格与所述用户剩余价值系数之商,所述用户剩余价值系数与修正价格负相关,当用户剩余价值系数小于1时,系数越低修正价格越高,当用户剩余价值系数大于1时,系数越高修正价格越低。
在现有技术中,通常以人工干预的方式调整价格,由此需要花费大量的人力成本,然而在本实施方式中,从数据表中读取当前价格;将当前价格和用户剩余价值系数输入到设定的计算模型中,以得到修正价格;将数据表中的当前价格修改为该修正价格,因此,可以无需人工参与,从而节约了人力成本。
【方法实施方式7】
下面以价格调整为例,对本实施方式提供的数据调整方法进行具体描述。在本实施方式中,所述方法包括:
步骤1:从接收到的历史订单请求(包括商户的各种状态信息)中解析出目标商户的历史运营数据。
所述历史运营数据中包含了商户的多种信息,例如,用户购买商品的品类、消费额度和购买行为的发生时间以及商户的营销费用等。
步骤2:基于所述历史运营数据构建关于消费额度、时间和营销费用的运营关系矩阵。表2给出了该运营关系矩阵的一个示例:
M1 | M2 | M3 | ||
20元 | 3 | 1 | 2 | 2元 |
30元 | 3 | 3 | 1 | 3元 |
表2
步骤3:根据所述运营关系矩阵,确定所述目标商户对应于历史周期(M1、M2或者M3)的累计销售额和累计营销额。
步骤4:确定所述历史周期的时间权重和客单价权重。
步骤5:基于所述累计销售额、累计营销额、时间权重和客单价权重,计算所述目标商户的用户剩余价值系数。
具体而言,例如通过下述公式计算用户剩余价值系数:
其中,n为距离当前时间最接近的历史周期的序号,Mi为第i个历史周期的权重(例如,所述时间权重和所述客单价权重之积),Pi为第i个历史周期的累计消费额,Li为第i个历史周期的累计营销额。
下面以表2所示的运营关系矩阵为例,计算第4个月的用户剩余价值系数:
其中,M1的权重为0.9,M2的权重为0.95,M3的权重为1。
在本实施方式中,例如以订单量为结果指标,通过决策树算法确定所述时间权重和客单价权重。
步骤6:响应于所述用户剩余价值系数对所述目标商户执行价格调整处理。
例如,用当前的菜品价格除以用户剩余价值系数以得到菜品的修正价格,再利用该修正价格执行价格调整处理。
除商品的售价以外,还可以对目标商户的配送费用等进行调整。
【产品实施方式1】
图7是根据本发明产品实施方式1的数据调整装置的结构示意图。参见图7,在本实施方式中,数据调整装置10包括:解析模块11、生成模块12和调整模块13,具体地:
解析模块11用于从历史订单请求中解析出指定数据。
生成模块12用于根据解析模块11解析出的指定数据生成用户剩余价值系数。
调整模块13用于响应于生成模块12生成的用户剩余价值系数执行数据调整处理。
由于根据历史订单请求生成用户剩余价值系数,并通过该用户剩余价值系数来进行数据调整处理,因此,实现了基于历史数据预测未来的趋势,从而使得调整后的数据更加符合实际的业务场景,进而提高了数据调整的合理性和准确性。
【产品实施方式2】
本实施方式所提供的数据调整装置包括产品实施方式1中的全部内容,在此不再赘述。如图8所示,在本实施方式中,生成模块12包括:构建单元121和生成单元122,具体地:
构建单元121用于基于所述指定数据构建关系矩阵。
生成单元122用于根据构建单元121构建的关系矩阵生成所述用户剩余价值系数。
由于将用于生成用户剩余价值系数的相关参数以关系矩阵的方式进行存储,因此可以更加直观、高效地获取相关数据,从而提高生成用户剩余价值系数的执行效率。
【产品实施方式3】
本实施方式所提供的数据调整装置包括产品实施方式2中的全部内容,在此不再赘述。如图9所示,在本实施方式中,生成单元122包括:第一确定组件1221、第二确定组件1222和生成组件1223,具体地:
第一确定组件1221用于基于所述关系矩阵确定指定时间段的第一数据和第二数据。
第二确定组件1222用于确定所述指定时间段的权重。
生成组件1223用于根据第一确定组件1221确定出的第一数据和第二数据和第二确定组件1222确定出的权重,生成所述用户剩余价值系数。
通过引入指定时间段的权重来生成用户剩余价值系数,可以进一步提高数据调整的合理性和准确性。
【产品实施方式4】
本实施方式所提供的数据调整装置包括产品实施方式3中的全部内容,在此不再赘述。如图10所示,在本实施方式中,生成组件1223包括:第一生成子组件12231、第二生成子组件12232和第三生成子组件12233,具体地:
第一生成子组件12231用于基于所述第一数据和所述权重,生成第一数据加权值缩减度。
第二生成子组件12232用于基于所述第二数据和所述权重,生成第二数据加权值缩减度。
第三生成子组件12233用于根据第一生成子组件12231生成的第一数据加权值缩减度和第二生成子组件12232生成的第二数据加权值缩减度,生成所述用户剩余价值系数。
由于基于第一数据加权值和第二数据加权值的缩减度来生成用户剩余价值系数,因此,能够使得用户剩余价值系数更加符合实际,从而保证数据调整的合理性和准确性。
【产品实施方式5】
本实施方式所提供的数据调整装置包括产品实施方式3或产品实施方式4中的全部内容,在此不再赘述。在本实施方式中,第二确定组件1222具体通过以下方式实现确定所述指定时间段的权重:以订单量为结果指标,通过决策树算法确定所述权重。
由于以订单量为结果指标,通过决策树算法确定权重,因此,可以实现自动确定权重,提高数据调整的智能化程度。
【产品实施方式6】
本实施方式所提供的数据调整装置包括产品实施方式1至产品实施方式4中任一项的全部内容,在此不再赘述。如图11所示,在本实施方式中,调整模块13包括:读取单元131、输入单元132以及调整单元133,具体地:
读取单元131用于从数据表中读取当前价格。
输入单元132用于将读取单元131读取出的当前价格和所述用户剩余价值系数输入到设定的计算模型中,以得到修正价格。
调整单元133用于将所述数据表中的当前价格调整为输入单元132得到的修正价格。
在本实施方式中,所述计算模型例如用于计算所述当前价格与所述用户剩余价值系数之商,所述用户剩余价值系数与修正价格负相关,当用户剩余价值系数小于1时,系数越低修正价格越高,当用户剩余价值系数大于1时,系数越高修正价格越低。
在现有技术中,通常以人工干预的方式调整价格,由此需要花费大量的人力成本,然而在本实施方式中,从数据表中读取当前价格;将当前价格和用户剩余价值系数输入到设定的计算模型中,以得到修正价格;将数据表中的当前价格修改为该修正价格,因此,可以无需人工参与,从而节约了人力成本。
如图12所示,本发明的实施方式还提供了一种终端设备,包括存储器21和处理器22;其中,
存储器21用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被处理器22执行时能够实现如方法实施方式1至方法实施方式7中任意一项所述的方法。
由于根据历史订单请求生成用户剩余价值系数,并通过该用户剩余价值系数来进行数据调整处理,因此,实现了基于历史数据预测未来的趋势,从而使得调整后的数据更加符合实际的业务场景,进而提高了数据调整的合理性和准确性。
此外,本发明的实施方式还提供一种计算机存储介质,所述计算机存储介质用于存储一条或多条计算机指令,其中,当所述一条或多条计算机指令被执行时能够实现如方法实施方式1至方法实施方式7中任意一项所述的方法。
由于根据历史订单请求生成用户剩余价值系数,并通过该用户剩余价值系数来进行数据调整处理,因此,实现了基于历史数据预测未来的趋势,从而使得调整后的数据更加符合实际的业务场景,进而提高了数据调整的合理性和准确性。
本领域的技术人员可以清楚地了解到本发明可全部通过软件实现,也可借助软件结合硬件平台的方式来实现。基于这样的理解,本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来,所述计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,智能手机或者网络设备等)执行本发明各个实施方式或者实施方式的某些部分所述的方法。
本文中所使用的“软件”等词均指一般意义上的任意类型的计算机编码或者计算机可执行指令集,可以运行所述编码或者指令集来使计算机或其他处理器程序化以执行如上所述的本发明的技术方案的各个方面。此外,需要说明的是,根据实施方式的一个方面,在执行时实施本发明的技术方案的方法的一个或多个计算机程序不必须要在一台计算机或处理器上,而是可以分布于多个计算机或者处理器中的模块中,以执行本发明的技术方案的各个方面。
计算机可执行指令可以有许多形式,如程序模块,可以由一台或多台计算机或是其他设备执行。一般地,程序模块包括例程、程序、对象、组件以及数据结构等等,执行特定的任务或是实施特定的抽象数据类型。特别地,在各种实施方式中,程序模块进行的操作可以根据各个不同实施方式的需要进行结合或者拆分。
并且,本发明的技术方案可以体现为一种方法,并且已经提供了所述方法的至少一个示例。可以通过任何一种合适的顺序执行动作,所述动作表现为所述方法中的一部分。因此,实施方式可以构造成可以按照与所示出的执行顺序不同的顺序执行动作,其中,可以包括同时地执行一些动作(尽管在示出的实施方式中,这些动作是连续的)。
本文所给出的和使用的定义,应当对照字典、通过引用而并入的文档中的定义、和/或其通常意思进行理解。
在权利要求书中以及上述的说明书中,所有的过度短语,例如“包括”、“具有”、“包含”、“承载”、“具有”、“涉及”、“主要由…组成”以及类似词语是应理解为是开放式的,即,包含但不限于。
本发明说明书中使用的术语和措辞仅仅为了举例说明,并不意味构成限定。本领域技术人员应当理解,在不脱离所公开的实施方式的基本原理的前提下,对上述实施方式中的各细节可进行各种变化。因此,本发明的范围只由权利要求确定,在权利要求中,除非另有说明,所有的术语应按最宽泛合理的意思进行理解。
以上具体描述了本发明的各种不同的实施方式,下面以另一种形式描述本发明各实施方式的技术方案的各个方面或特征,并且其不限于下述一系列段落,为了清楚起见,可给这些段落中的一些或所有段落指定字母数字。这些段落中的每一段可以以任何合适的方式与一个或多个其他段落的内容组合。在不限定合适的组合中的一些的实例的条件下,下文中的一些段落特别引用其他段落并且进一步限定其他段落。
A1、一种数据调整方法,所述方法包括:
从历史订单请求中解析指定数据;
根据所述指定数据生成用户剩余价值系数;
响应于所述用户剩余价值系数执行数据调整处理。
A2、如A1所述的方法中,根据所述指定数据生成用户剩余价值系数包括:
基于所述指定数据构建关系矩阵;
根据所述关系矩阵生成所述用户剩余价值系数。
A3、如A2所述的方法中,根据所述关系矩阵生成所述用户剩余价值系数包括:
基于所述关系矩阵确定指定时间段的第一数据和第二数据;
确定所述指定时间段的权重;
根据所述第一数据、第二数据和权重,生成所述用户剩余价值系数。
A4、如A3所述的方法中,根据所述第一数据、第二数据和权重,生成所述用户剩余价值系数包括:
基于所述第一数据和所述权重,生成第一数据加权值缩减度;
基于所述第二数据和所述权重,生成第二数据加权值缩减度;
根据所述第一数据加权值缩减度和所述第二数据加权值缩减度,生成所述用户剩余价值系数。
A5、如A3或A4所述的方法中,确定所述指定时间段的权重包括:
以订单量为结果指标,通过决策树算法确定所述权重。
B6、一种数据调整装置,所述装置包括:
解析模块,用于从历史订单请求中解析出指定数据;
生成模块,用于根据所述指定数据生成用户剩余价值系数;
调整模块,用于响应于所述用户剩余价值系数执行数据调整处理。
B7、如B6所述的装置中,所述生成模块包括:
构建单元,用于基于所述指定数据构建关系矩阵;
生成单元,用于根据所述关系矩阵生成所述用户剩余价值系数。
B8、如B7所述的装置中,所述生成单元包括:
第一确定组件,用于基于所述关系矩阵确定指定时间段的第一数据和第二数据;
第二确定组件,用于确定所述指定时间段的权重;
生成组件,用于根据所述第一数据、第二数据和权重,生成所述用户剩余价值系数。
B9、如B8所述的装置中,所述生成组件包括:
第一生成子组件,用于基于所述第一数据和所述权重,生成第一数据加权值缩减度;
第二生成子组件,用于基于所述第二数据和所述权重,生成第二数据加权值缩减度;
第三生成子组件,用于根据所述第一数据加权值缩减度和所述第二数据加权值缩减度,生成所述用户剩余价值系数。
B10、如B8或B9所述的装置中,所述第二确定组件用于通过以下方式实现确定所述指定时间段的权重:以订单量为结果指标,通过决策树算法确定所述权重。
C11、一种终端设备,包括存储器和处理器;其中,
所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时能够实现如A1至A5中任一项所述的方法。
D12、一种计算机存储介质,用于存储一条或多条计算机指令,其中,当所述一条或多条计算机指令被执行时能够实现如A1至A5中任一项所述的方法。
Claims (6)
1.一种数据调整方法,其特征在于,所述方法包括:
从接收到的历史订单请求中解析出指定数据,所述指定数据包含目标商户的历史运营数据,其中历史运营数据包括:购买行为的发生时间;
根据所述指定数据构建运营关系矩阵,所述运营关系矩阵中每个矩阵单元表示对应的消费段和营销段在对应的指定时间段内的交易次数;
根据所述运营关系矩阵,确定所述目标商户对应于各个指定时间段的基于交易次数做累计得出的第一数据和第二数据;
以订单量为结果指标,通过决策树算法确定各个指定时间段的权重;
基于所述第一数据、第二数据、权重,对所述目标商户执行数据调整处理。
2.如权利要求1所述的方法,其特征在于,基于所述第一数据、第二数据、权重,对所述目标商户执行数据调整处理包括:
基于所述第一数据和所述权重,生成第一数据加权值缩减度;
基于所述第二数据和所述权重,生成第二数据加权值缩减度;
根据所述第一数据加权值缩减度和所述第二数据加权值缩减度,对所述目标商户执行数据调整处理。
3.一种数据调整装置,其特征在于,所述装置包括:
解析模块,用于从接收到的历史订单请求中解析出指定数据,所述指定数据包含目标商户的历史运营数据,其中历史运营数据包括:购买行为的发生时间;
生成模块,用于根据所述指定数据构建运营关系矩阵,所述运营关系矩阵中每个矩阵单元表示对应的消费段和营销段在对应的指定时间段内的交易次数;根据所述运营关系矩阵,确定所述目标商户对应于各个指定时间段的基于交易次数做累计得出的第一数据和第二数据;以订单量为结果指标,通过决策树算法确定各个指定时间段的权重;
调整模块,用于基于所述第一数据、第二数据、权重,对所述目标商户执行数据调整处理。
4.如权利要求3所述的装置,其特征在于,所述生成模块包括:
第一生成子组件,用于基于所述第一数据和所述权重,生成第一数据加权值缩减度;
第二生成子组件,用于基于所述第二数据和所述权重,生成第二数据加权值缩减度;
所述调整模块用于:根据所述第一数据加权值缩减度和所述第二数据加权值缩减度,对所述目标商户执行数据调整处理。
5.一种终端设备,包括存储器和处理器;其中,
所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时能够实现如权利要求1或2所述的方法。
6.一种计算机存储介质,用于存储一条或多条计算机指令,其中,当所述一条或多条计算机指令被执行时能够实现如权利要求1或2所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710737024.9A CN107688901B (zh) | 2017-08-24 | 2017-08-24 | 数据调整方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710737024.9A CN107688901B (zh) | 2017-08-24 | 2017-08-24 | 数据调整方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107688901A CN107688901A (zh) | 2018-02-13 |
CN107688901B true CN107688901B (zh) | 2021-05-11 |
Family
ID=61154991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710737024.9A Expired - Fee Related CN107688901B (zh) | 2017-08-24 | 2017-08-24 | 数据调整方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107688901B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191192B (zh) * | 2018-08-21 | 2021-11-12 | 北京京东尚科信息技术有限公司 | 数据估算方法、装置和计算机可读存储介质 |
CN109389433A (zh) * | 2018-10-12 | 2019-02-26 | 晋中职业技术学院 | 一种电子商务管理方法及系统 |
CN112862541A (zh) * | 2021-03-08 | 2021-05-28 | 拉扎斯网络科技(上海)有限公司 | 运单创建方法、装置及电子设备 |
CN114254856B (zh) * | 2021-11-08 | 2024-05-31 | 武汉小安科技有限公司 | 基于蜂巢图实现的共享单车运维调度方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310279A (zh) * | 2012-03-09 | 2013-09-18 | 上海电机学院 | 基于混合蚁群算法的多目标优化产品配置方法 |
CN103995823A (zh) * | 2014-03-25 | 2014-08-20 | 南京邮电大学 | 一种基于社交网络的信息推荐方法 |
CN105069626A (zh) * | 2015-07-23 | 2015-11-18 | 北京京东尚科信息技术有限公司 | 一种购物异常检测方法及系统 |
CN105913235A (zh) * | 2016-04-21 | 2016-08-31 | 中国农业银行股份有限公司 | 一种客户转账关系分析方法及系统 |
CN106250481A (zh) * | 2016-07-29 | 2016-12-21 | 深圳市永兴元科技有限公司 | 基于大数据的数据挖掘方法及装置 |
CN106709760A (zh) * | 2016-12-21 | 2017-05-24 | 上海数据交易中心有限公司 | 一种基于单一数据的数据价格评估方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10074066B2 (en) * | 2016-01-16 | 2018-09-11 | International Business Machines Corporation | Two phase predictive approach for supply network optimization |
-
2017
- 2017-08-24 CN CN201710737024.9A patent/CN107688901B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310279A (zh) * | 2012-03-09 | 2013-09-18 | 上海电机学院 | 基于混合蚁群算法的多目标优化产品配置方法 |
CN103995823A (zh) * | 2014-03-25 | 2014-08-20 | 南京邮电大学 | 一种基于社交网络的信息推荐方法 |
CN105069626A (zh) * | 2015-07-23 | 2015-11-18 | 北京京东尚科信息技术有限公司 | 一种购物异常检测方法及系统 |
CN105913235A (zh) * | 2016-04-21 | 2016-08-31 | 中国农业银行股份有限公司 | 一种客户转账关系分析方法及系统 |
CN106250481A (zh) * | 2016-07-29 | 2016-12-21 | 深圳市永兴元科技有限公司 | 基于大数据的数据挖掘方法及装置 |
CN106709760A (zh) * | 2016-12-21 | 2017-05-24 | 上海数据交易中心有限公司 | 一种基于单一数据的数据价格评估方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107688901A (zh) | 2018-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107688901B (zh) | 数据调整方法及装置 | |
US7996331B1 (en) | Computer-implemented systems and methods for performing pricing analysis | |
Spiliotis et al. | Generalizing the theta method for automatic forecasting | |
US8660949B2 (en) | Method and system for working capital management | |
CN112270545A (zh) | 基于迁移样本筛选的金融风险预测方法、装置和电子设备 | |
US8296224B2 (en) | Constrained optimized binning for scorecards | |
CN111967971A (zh) | 银行客户数据处理方法及装置 | |
US20200311581A1 (en) | High quality pattern mining model and method based on improved multi-objective evolutionary algorithm | |
CN110135976A (zh) | 用户画像生成方法、装置、电子设备和计算机可读介质 | |
Javan et al. | A hybrid advertising media selection model using AHP and fuzzy-based GA decision making | |
Yang et al. | Designing fuzzy supply chain network problem by mean-risk optimization method | |
CN110109901A (zh) | 筛选目标对象的方法和装置 | |
Zhang et al. | Learning to select supplier portfolios for service supply chain | |
CN112036631B (zh) | 采购量确定方法、装置、设备及存储介质 | |
CN114581012A (zh) | 一种基于供应链管理的库存调整方法及系统 | |
CN111192161A (zh) | 电力市场交易对象推荐方法、装置 | |
CN110298613A (zh) | 一种仓储领域中提高商品拣选效率的处理方法及系统 | |
CN114170002A (zh) | 一种访问频次的预测方法及装置 | |
CN112182118A (zh) | 基于多数据源的目标对象预测方法及其相关设备 | |
CN102117464A (zh) | 具有动态层级的营销投资优化器 | |
CN114240052A (zh) | 一种基于遗传算法的组合销售策略优化方法及系统 | |
Sarfati et al. | Increase-decrease game under imperfect competition in two-stage zonal power markets–Part I: Concept analysis | |
US20080071590A1 (en) | Solving a model to select members of a portfolio | |
Ulkhaq et al. | Predicting customer churn: A comparison of eight machine learning techniques: A case study in an Indonesian telecommunication company | |
CN111724176A (zh) | 店铺流量调节方法、装置、设备及计算机可读存储介质 |
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 | ||
CB02 | Change of applicant information |
Address after: 100085 Beijing, Haidian District on the road to the information on the ground floor of the 1 to the 3 floor of the 2 floor, room 11, 202 Applicant after: Beijing Xingxuan Technology Co.,Ltd. Address before: 100085 Beijing, Haidian District on the road to the information on the ground floor of the 1 to the 3 floor of the 2 floor, room 11, 202 Applicant before: Beijing Xiaodu Information Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210511 |
|
CF01 | Termination of patent right due to non-payment of annual fee |