CN108133393A - 数据处理方法及系统 - Google Patents

数据处理方法及系统 Download PDF

Info

Publication number
CN108133393A
CN108133393A CN201711464204.0A CN201711464204A CN108133393A CN 108133393 A CN108133393 A CN 108133393A CN 201711464204 A CN201711464204 A CN 201711464204A CN 108133393 A CN108133393 A CN 108133393A
Authority
CN
China
Prior art keywords
data
target user
user
user data
portrait
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
Application number
CN201711464204.0A
Other languages
English (en)
Inventor
田海亭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ennew Digital Technology Co Ltd
Original Assignee
Ennew Digital Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ennew Digital Technology Co Ltd filed Critical Ennew Digital Technology Co Ltd
Priority to CN201711464204.0A priority Critical patent/CN108133393A/zh
Publication of CN108133393A publication Critical patent/CN108133393A/zh
Pending legal-status Critical Current

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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

Abstract

本发明提出一种数据处理方法及系统，该方法包括以下步骤：获取目标用户数据，其中，目标用户数据包含用户基础数据和用户行为数据；将行为数据与预设行为数据进行比较，根据比较结果确定具有潜在价值的目标用户数据；根据具有潜在价值的目标用户数据，制作数据标签；利用数据标签，对具有潜在价值的目标用户数据进行用户画像；根据用户画像，确定目标用户数据的开发价值。本发明能够精准有效地生成潜在能源用户的用户画像，强化对潜在用户特征的标签化准确度，为能源用户开发提供高价值的辅助决策信息。

Description

数据处理方法及系统
技术领域
本发明涉及能源复合利用技术领域，特别涉及一种数据处理方法及系统。
背景技术
由于以互联网+智慧能源为代表的新型能源技术新颖、复杂，目标用户群体和对用户的商业模式都与传统的能源行业有着巨大的差别。目前各大企业在挖掘潜在能源用户时，基本都是通过市场人员去现场调研，记录用户数据信息，进而通过市场人员的经验判断用户的开发价值。但是，当市场人员经验不足时，会出现潜在用户寻找困难、用户需求难以定位等问题，而这些问题很可能导致在开发潜在能源用户时，对潜在用户特征的标签化和对商机的捕获准确度不高，无法为潜在能源用户的开发提供有利的辅助决策信息。
发明内容
本发明旨在至少解决上述技术问题之一。
为此，本发明的一个目的在于提出一种数据处理方法，该方法能够精准有效地生成潜在能源用户的用户画像，强化对潜在用户特征的标签化和对商机的捕获准确度，为能源用户开发提供高价值的辅助决策信息。
本发明的另一个目的在于提出一种数据处理系统。
为了实现上述目的，本发明第一方面的实施例提出了一种数据处理方法，包括以下步骤：获取目标用户数据，其中，所述目标用户数据包含用户基础数据和用户行为数据；将所述行为数据与预设行为数据进行比较，根据比较结果确定具有潜在价值的目标用户数据；根据所述具有潜在价值的目标用户数据，制作数据标签；利用所述数据标签，对所述具有潜在价值的目标用户数据进行用户画像；根据所述用户画像，确定所述目标用户数据的开发价值。
根据本发明实施例的数据处理方法，能够精准有效地生成潜在能源用户的用户画像，强化对潜在用户特征的标签化和对商机的捕获准确度，为能源用户开发提供高价值的辅助决策信息。
另外，根据本发明上述实施例的数据处理方法还可以具有如下附加的技术特征：
在一些示例中，将所述行为数据与预设行为数据进行比较，根据比较结果确定具有潜在价值的目标用户数据，包括：将所述行为数据进行属性分类；根据所述分类的结果，获取不同属性分类对应的预设行为数据；在不同分类中的行为数据与所述预设行为数据进行比较，根据比较结果确定具有潜在价值的目标用户数据。
在一些示例中，根据所述具有潜在价值的目标用户数据，制作数据标签，包括：利用所述目标用户数据训练神经网络模型参数；根据所述神经网络模型参数构建用户数据分析模型；将所述具有潜在价值的目标用户数据导入所述用户数据分析模型，以得到所述用户数据分析模型对所述具有潜在价值的目标用户数据的分析结果；根据所述分析结果，制作数据标签。
在一些示例中，利用所述数据标签，对所述具有潜在价值的目标用户数据进行用户画像，包括：将所述具有潜在价值的目标用户数据设置为所述神经网络模型输入数据；通过所述神经网络模型，对输入数据进行预测分析；将所述预测分析的结果映射为所述神经网络模型的输出数据；将所述输出数据生成用户画像。
在一些示例中，根据所述用户画像，确定所述目标用户数据的开发价值，包括：获取所述目标用户数据的基础数据；利用聚类算法和所述基础数据，构建至少一个聚类堆的价值；确定所述用户画像对应的所述聚类堆的价值。
在一些示例中，还包括：分别对所述目标用户数据和具有潜在价值的目标用户数据设置权重值；根据所述权重值分别映射得到辅助决策信息；利用所述辅助决策信息对所述用户画像进行修正。
在一些示例中，所述目标用户数据为能源用户数据。
为了实现上述目的，本发明第二方面的实施例提出了一种数据处理系统，包括：获取模块，用于获取目标用户数据，其中，所述目标用户数据包含用户基础数据和用户行为数据；分析模块，用于将所述行为数据与预设行为数据进行比较，根据比较结果确定具有潜在价值的目标用户数据；标识模块，用于根据所述具有潜在价值的目标用户数据，制作数据标签；训练模块，利用所述数据标签，对所述具有潜在价值的目标用户数据进行用户画像；输出模块，用于根据所述用户画像，确定所述目标用户数据的开发价值。
根据本发明实施例的数据处理系统，能够精准有效地生成潜在能源用户的用户画像，强化对潜在用户特征的标签化和对商机的捕获准确度，为能源用户开发提供高价值的辅助决策信息。
另外，根据本发明上述实施例的数据处理系统还可以具有如下附加的技术特征：
在一些示例中，所述分析模块包括：分类子模块，用于将所述行为数据进行属性分类；获取子模块，用于根据所述分类的结果，获取不同属性分类对应的预设行为数据；运算子模块，用于在不同分类中的行为数据与所述预设行为数据进行比较，根据比较结果确定具有潜在价值的目标用户数据。
在一些示例中，所述标识模块包括：训练子模块，用于利用所述目标用户数据训练神经网络模型参数；构建子模块，用于根据所述神经网络模型参数构建用户数据分析模型；分析子模块，用于将所述具有潜在价值的目标用户数据导入所述用户数据分析模型，以得到所述用户数据分析模型对所述具有潜在价值的目标用户数据的分析结果；制作标签子模块，用于根据所述分析结果，制作数据标签。
在一些示例中，所述训练模块包括：设置子模块，用于将所述具有潜在价值的目标用户数据设置为所述神经网络模型输入数据；预测子模块，用于通过所述神经网络模型，对输入数据进行预测分析；映射子模块，用于将所述预测分析的结果映射为所述神经网络模型的输出数据；画像子模块，用于将所述输出数据生成用户画像。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明一个实施例的数据处理方法的流程图；
图2是根据本发明一个具体实施例的数据处理方法的详细流程示意图；
图3是根据本发明一个实施例的数据处理系统的结构框图；
图4是根据本发明一个实施例的分析模块的结构框图；
图5是根据本发明一个实施例的标识模块的结构框图；
图6是根据本发明一个实施例的训练模块的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
以下结合附图描述根据本发明实施例的数据处理方法及系统。
图1是根据本发明一个实施例的数据处理方法的流程图。如图1所示，该方法包括以下步骤：
步骤S1：获取目标用户数据，其中，目标用户数据包含用户基础数据和用户行为数据。
其中，获取目标用户数据的方式可通过人工收集或数据库提取。例如，工作人员通过去现场走访来收集目标用户数据，或者通过在相关数据库中提取目标用户数据。
在本发明的实施例中，目标用户数据例如为能源用户数据，也即是说，目标用户为能源用户。进一步地，目标用户数据包含了用户基础数据和用户行为数据。用户基础数据例如包括基础数据用户所在地址、主要联系方式、所属行业等；用户行为数据例如包括用户的用电量、发电量、购电量、用电习惯等。
步骤S2：将行为数据与预设行为数据进行比较，根据比较结果确定具有潜在价值的目标用户数据。具体地说，例如判断行为数据与预设行为数据的比较结果是否满足预设范围，如果是，则判断该行为数据对应的目标用户数据为具有潜在价值的目标用户数据。
具体地，在步骤S2中，将行为数据与预设行为数据进行比较，根据比较结果确定具有潜在价值的目标用户数据包括：将行为数据进行属性分类；根据分类的结果，获取不同属性分类对应的预设行为数据；在不同分类中的行为数据与预设行为数据进行比较，根据比较结果确定具有潜在价值的目标用户数据。
也即是说，不同属性分类对应的预设行为数据可能不同，因此，在根据行为数据确定具有潜在价值的目标用户数据时，首先需要对当前的行为数据进行属性分类，进而根据该行为数据的属性分类获取对应的预设行为数据，然后两者进行比较，即判断该行为数据是否落在其对应的预设行为数据范围内，如果是，则判断该行为数据对应的目标用户数据为具有潜在价值的目标用户数据，否则，即判断为不具有潜在价值的目标用户数据。这样，根据行为数据的不同属性分类结果，在不同分类中的行为数据与其对应的预设行为数据进行比较，进而判断对应的目标用户数据是否为具有潜在价值的目标用户数据，从而可以提高判断结果的准确性和可靠性。例如，当行为数据为用户用电量时，则将用户在某一段时间内的用电量与设定的用电量阈值进行比较，如果用户在某一段时间内的用电量大于用电量阈值，则判断对应的目标用户数据为具有潜在价值的目标用户数据。
步骤S3：根据具有潜在价值的目标用户数据，制作数据标签。
具体地，根据具有潜在价值的目标用户数据，制作数据标签，包括：利用目标用户数据训练神经网络模型参数；根据神经网络模型参数构建用户数据分析模型；将具有潜在价值的目标用户数据导入用户数据分析模型，以得到用户数据分析模型对具有潜在价值的目标用户数据的分析结果；根据分析结果，制作数据标签。
结合图2所示，该用户数据分析模型例如为BP神经网络模型。具体地说，即根据上述获取到的目标用户数据(包括用户基础数据和用户行为数据)训练神经网络模型参数，进而可构建出一个如BP神经网络模型之类的用于用户数据分析的用户数据分析模型，然后将上述得到的具有潜在价值的目标用户数据导入该BP神经网络模型，以便BP神经网络模型对该具有潜在价值的目标用户数据进行分析和处理，进而生成数据标签。其中，数据标签例如包括对具有潜在价值的目标用户数据(如能源用户数据)的属性等的详细分类结果，便于查看。例如，包括对用户所在地址、联系方式、所属行业、用户用电量、用电习惯、购电量等数据信息的详细分类结果。
步骤S4：利用数据标签，对具有潜在价值的目标用户数据进行用户画像。
具体地，利用数据标签，对具有潜在价值的目标用户数据进行用户画像包括：将具有潜在价值的目标用户数据设置为神经网络模型输入数据；通过神经网络模型，对输入数据进行预测分析；将预测分析的结果映射为神经网络模型的输出数据；将输出数据生成用户画像。换言之，即将上述得到的数据标签输入BP神经网络模型，以便通过BP神经网络模型进行预测分析，并根据BP神经网络模型的输出结果生产相应的用户画像，以便根据用户画像实现对该能源用户开发价值的评价。例如，将包含用户历史用电量、用电习惯及购电量信息等数据的数据标签输入BP神经网络模型，BP神经网络模型据此对该能源用户在未来某段时间的用电量、购电量等数据进行预测分析，进而生成相应的用户画像。
步骤S5：根据用户画像，确定目标用户数据的开发价值。
具体地，根据用户画像，确定目标用户数据的开发价值包括：获取目标用户数据的基础数据；利用聚类算法和基础数据，构建至少一个聚类堆的价值；确定用户画像对应的聚类堆的价值。换言之，即获取上述目标用户数据(如能源用户数据)的基础数据，诸如用户的住址、联系方式、所属行业等，对这些数据进行聚类分析，得到一个或多个聚类堆的价值；然后将上述得到的用户画像与得到的一个或多个聚类堆进行匹配，进而根据匹配到的对应聚类堆的价值确定用户画像的价值，即实现对对应能源用户数据的开发价值的评价，进而根据评价结果判断该能源用户的开发价值，如是否有合作意向，是否值得合作等，进而确定是否拓展能源用户。
进一步地，在本发明的一个实施例中，该方法还包括：分别对目标用户数据和具有潜在价值的目标用户数据设置权重值；根据权重值分别映射得到辅助决策信息；利用辅助决策信息对用户画像进行修正。具体地说，结合图2所示，即在得到用户画像后，在实际应用过程中，还需要不断对用户画像进行修正和更新，从而提高用户画像的精准度，进而提高对能源用户开发价值评价的精确性和可靠性。具体方法包括：分别对获取到的目标用户数据和经过比较确定的具有潜在价值的目标用户数据设置权重值；然后根据这些权重值，通过相应的权重函数分别映射得到辅助决策信息，诸如该能源用户是否具有合作意向、是否值得合作等评价信息，并利用这些辅助决策信息对得到的用户画像进行修正和更新，进一步提高用户画像的精确性。
综上，根据本发明实施例的数据处理方法，能够精准有效地生成潜在能源用户的用户画像，强化对潜在用户特征的标签化和对商机的捕获准确度，为能源用户开发提供高价值的辅助决策信息。
本发明的进一步实施例还提出了一种数据处理系统。
图3是根据本发明一个实施例的数据处理系统的结构框图。如图3所示，该数据处理系统100包括：获取模块110、分析模块120、标识模块130、训练模块140和输出模块150。
其中，获取模块110用于获取目标用户数据，其中，目标用户数据包含用户基础数据和用户行为数据。其中，获取目标用户数据的方式可通过人工收集或数据库提取；所述目标用户数据为能源用户数据。
在本发明的实施例中，目标用户数据例如为能源用户数据，也即是说，目标用户为能源用户。进一步地，目标用户数据包含了用户基础数据和用户行为数据。用户基础数据例如包括基础数据用户所在地址、主要联系方式、所属行业等；用户行为数据例如包括用户的用电量、发电量、购电量、用电习惯等。
分析模块120用于将行为数据与预设行为数据进行比较，根据比较结果确定具有潜在价值的目标用户数据。具体地说，例如判断行为数据与预设行为数据的比较结果是否满足预设范围，如果是，则判断该行为数据对应的目标用户数据为具有潜在价值的目标用户数据。
具体地，结合图4所示，分析模块120包括：分类子模块121、获取子模块122和运算子模块123。
其中，分类子模块121用于将行为数据进行属性分类；获取子模块122用于根据分类的结果，获取不同属性分类对应的预设行为数据；运算子模块123用于在不同分类中的行为数据与预设行为数据进行比较，根据比较结果确定具有潜在价值的目标用户数据。
也即是说，不同属性分类对应的预设行为数据可能不同，因此，在根据行为数据确定具有潜在价值的目标用户数据时，首先需要对当前的行为数据进行属性分类，进而根据该行为数据的属性分类获取对应的预设行为数据，然后两者进行比较，即判断该行为数据是否落在其对应的预设行为数据范围内，如果是，则判断该行为数据对应的目标用户数据为具有潜在价值的目标用户数据，否则，即判断为不具有潜在价值的目标用户数据。这样，根据行为数据的不同属性分类结果，在不同分类中的行为数据与其对应的预设行为数据进行比较，进而判断对应的目标用户数据是否为具有潜在价值的目标用户数据，从而可以提高判断结果的准确性和可靠性。例如，当行为数据为用户用电量时，则将用户在某一段时间内的用电量与设定的用电量阈值进行比较，如果用户在某一段时间内的用电量大于用电量阈值，则判断对应的目标用户数据为具有潜在价值的目标用户数据。
标识模块130用于根据具有潜在价值的目标用户数据，制作数据标签。
具体地，结合图5所示，标识模块130包括：训练子模块131、构建子模块132、分析子模块133和制作标签子模块134。
其中，训练子模块131用于利用目标用户数据训练神经网络模型参数；构建子模块132用于根据神经网络模型参数构建用户数据分析模型；分析子模块133用于将具有潜在价值的目标用户数据导入用户数据分析模型，以得到用户数据分析模型对具有潜在价值的目标用户数据的分析结果；制作标签子模块134用于根据分析结果，制作数据标签。
具体示例中，该用户数据分析模型例如为BP神经网络模型。具体地说，即根据上述获取到的目标用户数据(包括用户基础数据和用户行为数据)训练神经网络模型参数，进而可构建出一个如BP神经网络模型之类的用于用户数据分析的用户数据分析模型，然后将上述得到的具有潜在价值的目标用户数据导入该BP神经网络模型，以便BP神经网络模型对该具有潜在价值的目标用户数据进行分析和处理，进而生成数据标签。其中，数据标签例如包括对具有潜在价值的目标用户数据(如能源用户数据)的属性等的详细分类结果，便于查看。例如，包括对用户所在地址、联系方式、所属行业、用户用电量、用电习惯、购电量等数据信息的详细分类结果。
训练模块140利用数据标签，对具有潜在价值的目标用户数据进行用户画像。
具体地，结合图6所示，训练模块140包括设置子模块141、预测子模块142、映射子模块143和画像子模块。
其中，设置子模块141用于将具有潜在价值的目标用户数据设置为神经网络模型输入数据；预测子模块142用于通过神经网络模型，对输入数据进行预测分析；映射子模块143用于将预测分析的结果映射为神经网络模型的输出数据；画像子模块144用于将输出数据生成用户画像。换言之，即将上述得到的数据标签输入BP神经网络模型，以便通过BP神经网络模型进行预测分析，并根据BP神经网络模型的输出结果生产相应的用户画像，以便根据用户画像实现对该能源用户开发价值的评价。例如，将包含用户历史用电量、用电习惯及购电量信息等数据的数据标签输入BP神经网络模型，BP神经网络模型据此对该能源用户在未来某段时间的用电量、购电量等数据进行预测分析，进而生成相应的用户画像。
输出模块150用于根据用户画像，确定目标用户数据的开发价值。
具体地，输出模块150根据用户画像，确定目标用户数据的开发价值包括：获取目标用户数据的基础数据；利用聚类算法和基础数据，构建至少一个聚类堆的价值；确定用户画像对应的聚类堆的价值。换言之，即获取上述目标用户数据(如能源用户数据)的基础数据，诸如用户的住址、联系方式、所属行业等，对这些数据进行聚类分析，得到一个或多个聚类堆的价值；然后将上述得到的用户画像与得到的一个或多个聚类堆进行匹配，进而根据匹配到的对应聚类堆的价值确定用户画像的价值，即实现对对应能源用户数据的开发价值的评价，进而根据评价结果判断该能源用户的开发价值，如是否有合作意向，是否值得合作等，进而确定是否拓展能源用户。
进一步地，在本发明的一个实施例中，该系统100例如还包括修正模块。修正模块用于：分别对目标用户数据和具有潜在价值的目标用户数据设置权重值；根据权重值分别映射得到辅助决策信息；利用辅助决策信息对用户画像进行修正。具体地说，即在得到用户画像后，在实际应用过程中，还需要不断对用户画像进行修正和更新，从而提高用户画像的精准度，进而提高对能源用户开发价值评价的精确性和可靠性。具体方法包括：分别对获取到的目标用户数据和经过比较确定的具有潜在价值的目标用户数据设置权重值；然后根据这些权重值，通过相应的权重函数分别映射得到辅助决策信息，诸如该能源用户是否具有合作意向、是否值得合作等评价信息，并利用这些辅助决策信息对得到的用户画像进行修正和更新，进一步提高用户画像的精确性。
需要说明的是，本发明实施例的数据处理系统的具体实现方式与本发明实施例的数据处理方法的具体实现方式类似，具体请参见方法部分的描述，为了减少冗余，此处不再赘述。
根据本发明实施例的数据处理系统，能够精准有效地生成潜在能源用户的用户画像，强化对潜在用户特征的标签化和对商机的捕获准确度，为能源用户开发提供高价值的辅助决策信息。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同限定。

Claims (11)

1.一种数据处理方法，其特征在于，包括以下步骤：
获取目标用户数据，其中，所述目标用户数据包含用户基础数据和用户行为数据；
将所述行为数据与预设行为数据进行比较，根据比较结果确定具有潜在价值的目标用户数据；
根据所述具有潜在价值的目标用户数据，制作数据标签；
利用所述数据标签，对所述具有潜在价值的目标用户数据进行用户画像；
根据所述用户画像，确定所述目标用户数据的开发价值。
2.根据权利要求1所述的数据处理方法，其特征在于，将所述行为数据与预设行为数据进行比较，根据比较结果确定具有潜在价值的目标用户数据，包括：
将所述行为数据进行属性分类；
根据所述分类的结果，获取不同属性分类对应的预设行为数据；
在不同分类中的行为数据与所述预设行为数据进行比较，根据比较结果确定具有潜在价值的目标用户数据。
3.根据权利要求1所述的数据处理方法，其特征在于，根据所述具有潜在价值的目标用户数据，制作数据标签，包括：
利用所述目标用户数据训练神经网络模型参数；
根据所述神经网络模型参数构建用户数据分析模型；
将所述具有潜在价值的目标用户数据导入所述用户数据分析模型，以得到所述用户数据分析模型对所述具有潜在价值的目标用户数据的分析结果；
根据所述分析结果，制作数据标签。
4.根据权利要求2所述的数据处理方法，其特征在于，利用所述数据标签，对所述具有潜在价值的目标用户数据进行用户画像，包括：
将所述具有潜在价值的目标用户数据设置为所述神经网络模型输入数据；
通过所述神经网络模型，对输入数据进行预测分析；
将所述预测分析的结果映射为所述神经网络模型的输出数据；
将所述输出数据生成用户画像。
5.根据权利要求1或4所述的数据处理方法，其特征在于，根据所述用户画像，确定所述目标用户数据的开发价值，包括：
获取所述目标用户数据的基础数据；
利用聚类算法和所述基础数据，构建至少一个聚类堆的价值；
确定所述用户画像对应的所述聚类堆的价值。
6.根据权利要求5所述的数据处理方法，其特征在于，还包括：
分别对所述目标用户数据和具有潜在价值的目标用户数据设置权重值；
根据所述权重值分别映射得到辅助决策信息；
利用所述辅助决策信息对所述用户画像进行修正。
7.根据权利要求1-6任一项所述的数据处理方法，其特征在于，所述目标用户数据为能源用户数据。
8.一种数据处理系统，其特征在于，包括：
获取模块，用于获取目标用户数据，其中，所述目标用户数据包含用户基础数据和用户行为数据；所述目标用户数据为能源用户数据；
分析模块，用于将所述行为数据与预设行为数据进行比较，根据比较结果确定具有潜在价值的目标能源用户数据；
标识模块，用于根据所述具有潜在价值的目标用户数据，制作数据标签；
训练模块，利用所述数据标签，对所述具有潜在价值的目标用户数据进行用户画像；
输出模块，用于根据所述用户画像，确定所述目标用户数据的开发价值。
9.根据权利要求8所述的数据处理系统，其特征在于，所述分析模块包括：
分类子模块，用于将所述行为数据进行属性分类；
获取子模块，用于根据所述分类的结果，获取不同属性分类对应的预设行为数据；
运算子模块，用于在不同分类中的行为数据与所述预设行为数据进行比较，根据比较结果确定具有潜在价值的目标用户数据。
10.根据权利要求8所述的数据处理系统，其特征在于，所述标识模块包括：
训练子模块，用于利用所述目标用户数据训练神经网络模型参数；
构建子模块，用于根据所述神经网络模型参数构建用户数据分析模型；
分析子模块，用于将所述具有潜在价值的目标用户数据导入所述用户数据分析模型，以得到所述用户数据分析模型对所述具有潜在价值的目标用户数据的分析结果；
制作标签子模块，用于根据所述分析结果，制作数据标签。
11.根据权利要求10所述的数据处理系统，其特征在于，所述训练模块包括：
设置子模块，用于将所述具有潜在价值的目标用户数据设置为所述神经网络模型输入数据；
预测子模块，用于通过所述神经网络模型，对输入数据进行预测分析；
映射子模块，用于将所述预测分析的结果映射为所述神经网络模型的输出数据；
画像子模块，用于将所述输出数据生成用户画像。
CN201711464204.0A 2017-12-28 2017-12-28 数据处理方法及系统 Pending CN108133393A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711464204.0A CN108133393A (zh) 2017-12-28 2017-12-28 数据处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711464204.0A CN108133393A (zh) 2017-12-28 2017-12-28 数据处理方法及系统

Publications (1)

Publication Number Publication Date
CN108133393A true CN108133393A (zh) 2018-06-08

Family

ID=62393661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711464204.0A Pending CN108133393A (zh) 2017-12-28 2017-12-28 数据处理方法及系统

Country Status (1)

Country Link
CN (1) CN108133393A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087162A (zh) * 2018-07-05 2018-12-25 杭州朗和科技有限公司 数据处理方法、系统、介质和计算设备
CN109102333A (zh) * 2018-08-07 2018-12-28 深圳市丰巢科技有限公司 一种用户标签化处理方法及系统
CN109242309A (zh) * 2018-09-05 2019-01-18 广州视源电子科技股份有限公司 参会用户画像生成方法、装置、智能会议设备及存储介质
CN109949103A (zh) * 2019-03-29 2019-06-28 联想(北京)有限公司 一种数据处理方法、装置及电子设备
CN110069619A (zh) * 2019-03-16 2019-07-30 平安城市建设科技(深圳)有限公司 房源展示方法、装置、设备及计算机可读存储介质
CN111915366A (zh) * 2020-07-20 2020-11-10 上海燕汐软件信息科技有限公司 一种用户画像构建方法、装置、计算机设备及存储介质
CN112115346A (zh) * 2019-06-21 2020-12-22 百度在线网络技术（北京）有限公司 线索数据处理方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198418A (zh) * 2013-03-15 2013-07-10 北京亿赞普网络技术有限公司 一种应用推荐方法和系统
CN104991968A (zh) * 2015-07-24 2015-10-21 成都云堆移动信息技术有限公司 基于文本挖掘的互联网媒体用户属性分析方法
CN105260877A (zh) * 2015-09-22 2016-01-20 世纪龙信息网络有限责任公司 基于电子邮件获取用户画像数据的方法
CN106504099A (zh) * 2015-09-07 2017-03-15 国家计算机网络与信息安全管理中心 一种构建用户画像的系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198418A (zh) * 2013-03-15 2013-07-10 北京亿赞普网络技术有限公司 一种应用推荐方法和系统
CN104991968A (zh) * 2015-07-24 2015-10-21 成都云堆移动信息技术有限公司 基于文本挖掘的互联网媒体用户属性分析方法
CN106504099A (zh) * 2015-09-07 2017-03-15 国家计算机网络与信息安全管理中心 一种构建用户画像的系统
CN105260877A (zh) * 2015-09-22 2016-01-20 世纪龙信息网络有限责任公司 基于电子邮件获取用户画像数据的方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087162A (zh) * 2018-07-05 2018-12-25 杭州朗和科技有限公司 数据处理方法、系统、介质和计算设备
CN109102333A (zh) * 2018-08-07 2018-12-28 深圳市丰巢科技有限公司 一种用户标签化处理方法及系统
CN109242309A (zh) * 2018-09-05 2019-01-18 广州视源电子科技股份有限公司 参会用户画像生成方法、装置、智能会议设备及存储介质
CN110069619A (zh) * 2019-03-16 2019-07-30 平安城市建设科技(深圳)有限公司 房源展示方法、装置、设备及计算机可读存储介质
CN109949103A (zh) * 2019-03-29 2019-06-28 联想(北京)有限公司 一种数据处理方法、装置及电子设备
CN112115346A (zh) * 2019-06-21 2020-12-22 百度在线网络技术（北京）有限公司 线索数据处理方法及装置
CN112115346B (zh) * 2019-06-21 2023-08-18 百度在线网络技术（北京）有限公司 线索数据处理方法及装置
CN111915366A (zh) * 2020-07-20 2020-11-10 上海燕汐软件信息科技有限公司 一种用户画像构建方法、装置、计算机设备及存储介质
CN111915366B (zh) * 2020-07-20 2024-01-12 上海燕汐软件信息科技有限公司 一种用户画像构建方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN108133393A (zh) 数据处理方法及系统
Li et al. Application on traffic flow prediction of machine learning in intelligent transportation
CN110555989B (zh) 一种基于Xgboost算法的交通量预测方法
CN110135502B (zh) 一种基于强化学习策略的图像细粒度识别方法
CN103714261B (zh) 二阶段混合模型的智能辅助医疗决策支持方法
CN105069469B (zh) 一种基于模糊c均值聚类算法和熵理论的数据流检测方法
CN111832796B (zh) 一种针对居民用电负荷模式的精细分类及预测方法及系统
CN111783826B (zh) 一种基于预分类与集成学习的驾驶风格分类方法
CN109598566A (zh) 下单预测方法、装置、计算机设备和计算机可读存储介质
CN105374209A (zh) 一种城市区域路网运行状态特征信息提取方法
CN112465231B (zh) 地区人口健康状态预测方法、设备和可读存储介质
CN105760649A (zh) 一种面向大数据的可信度量方法
CN112270349B (zh) 基于gcn-lstm的个体位置预测方法
Huang et al. Research on urban modern architectural art based on artificial intelligence and GIS image recognition system
CN112180471B (zh) 天气预报方法、装置、设备及存储介质
CN109933619A (zh) 一种半监督分类预测方法
CN112885462A (zh) 一种面向多源信息融合的智慧健康关联分析方法
Wu et al. An IoT tree health indexing method using heterogeneous neural network
CN114822823A (zh) 基于云计算和人工智能的融合多维度医疗数据的肿瘤精细分类系统
CN107644268B (zh) 一种基于多特征的开源软件项目孵化状态预测方法
CN109711485A (zh) 一种基于社区检测的多标签分类方法
CN116167254A (zh) 基于城市大数据的多维城市仿真推演方法和系统
CN113076963B (zh) 一种图像识别方法、装置和计算机可读存储介质
CN113706551A (zh) 一种图像分割方法、装置、设备及存储介质
CN111625525A (zh) 一种环境数据修复/填充方法及系统

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

Application publication date: 20180608

RJ01 Rejection of invention patent application after publication