CN109460892A - 优势业务的确定方法及终端设备 - Google Patents

优势业务的确定方法及终端设备 Download PDF

Info

Publication number
CN109460892A
CN109460892A CN201811119467.2A CN201811119467A CN109460892A CN 109460892 A CN109460892 A CN 109460892A CN 201811119467 A CN201811119467 A CN 201811119467A CN 109460892 A CN109460892 A CN 109460892A
Authority
CN
China
Prior art keywords
data
business
value
interval
data set
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.)
Granted
Application number
CN201811119467.2A
Other languages
English (en)
Other versions
CN109460892B (zh
Inventor
刘慧众
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201811119467.2A priority Critical patent/CN109460892B/zh
Publication of CN109460892A publication Critical patent/CN109460892A/zh
Application granted granted Critical
Publication of CN109460892B publication Critical patent/CN109460892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明适用于数据处理技术领域，提供了优势业务的确定方法、终端设备以及计算机可读存储介质，包括：获取预设时间段的多组业务数据，每组业务数据对应一个业务种类；对多组所述业务数据进行采样，得到与每组所述业务数据对应的采样数据集，所述采样数据集包括一组所述业务数据中的最大值、最小值、四分之一位值、中位值、四分之三位值以及均值；计算所述采样数据集的数据集价值，并将所述数据集价值最高的所述采样数据集对应的所述业务种类作为优势业务进行输出，所述数据集价值是指所述采样数据集内所有所述业务数据产生的收益总值。本发明通过对业务数据采样并计算数据集价值，提升了确定优势业务的准确性。

Description

优势业务的确定方法及终端设备
技术领域
本发明属于数据处理技术领域，尤其涉及优势业务的确定方法、终端设备以及计算机可读存储介质。
背景技术
在现今的企事业单位中，往往会发行不同业务种类的业务，而对于业务的发行方来说，需要对每种业务种类的发行情况进行评估，以便确定优势业务，从而对发行策略进行调整。由于收益情况是发行情况的重要评估标准，故通常基于收益情况来确定优势业务。
在现有技术中，往往是统计业务种类在当前时间的收益值，并将收益值最大的业务种类作为优势业务，由于仅统计了当前时间的收益值，无法确定业务的收益趋势，导致确定结果过于片面。综上，现有技术中，确定优势业务的依据过少，确定方法的准确性低。
发明内容
有鉴于此，本发明实施例提供了优势业务的确定方法、终端设备以及计算机可读存储介质，以解决现有技术中确定优势业务的依据少，准确性低的问题。
本发明实施例的第一方面提供了一种优势业务的确定方法，包括：
获取预设时间段的多组业务数据，每组所述业务数据对应一个业务种类；
对多组所述业务数据进行采样，得到与每组所述业务数据对应的采样数据集，所述采样数据集包括一组所述业务数据中的最大值、最小值、四分之一位值、中位值、四分之三位值以及均值；
计算所述采样数据集的数据集价值，并将所述数据集价值最高的所述采样数据集对应的所述业务种类作为优势业务进行输出，所述数据集价值是指所述采样数据集内所有所述业务数据产生的收益总值。
本发明实施例的第二方面提供了一种终端设备，所述终端设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
获取预设时间段的多组业务数据，每组所述业务数据对应一个业务种类；
对多组所述业务数据进行采样，得到与每组所述业务数据对应的采样数据集，所述采样数据集包括一组所述业务数据中的最大值、最小值、四分之一位值、中位值、四分之三位值以及均值；
计算所述采样数据集的数据集价值，并将所述数据集价值最高的所述采样数据集对应的所述业务种类作为优势业务进行输出，所述数据集价值是指所述采样数据集内所有所述业务数据产生的收益总值。
本发明实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：
获取预设时间段的多组业务数据，每组所述业务数据对应一个业务种类；
对多组所述业务数据进行采样，得到与每组所述业务数据对应的采样数据集，所述采样数据集包括一组所述业务数据中的最大值、最小值、四分之一位值、中位值、四分之三位值以及均值；
计算所述采样数据集的数据集价值，并将所述数据集价值最高的所述采样数据集对应的所述业务种类作为优势业务进行输出，所述数据集价值是指所述采样数据集内所有所述业务数据产生的收益总值。
本发明实施例与现有技术相比存在的有益效果是：
本发明实施例通过获取预设时间段的多组业务数据，每组业务数据对应一个业务种类，然后对每组业务数据进行采样生成采样数据集，并计算采样数据集的数据集价值，最后将数值最大的数据集价值对应的业务种类作为优势业务进行输出，本发明实施例通过采样的方式生成采样数据集并计算数据集价值，提升了确定优势业务的可靠性和准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的优势业务的确定方法的实现流程图；
图2是本发明实施例二提供的优势业务的确定方法的实现流程图；
图3是本发明实施例三提供的优势业务的确定方法的实现流程图；
图4是本发明实施例四提供的优势业务的确定方法的实现流程图；
图5是本发明实施例五提供的优势业务的确定方法的实现流程图；
图6是本发明实施例六提供的终端设备的结构框图；
图7是本发明实施例七提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1示出了本发明实施例提供的优势业务的确定方法的实现流程，详述如下：
在S101中，获取预设时间段的多组业务数据，每组所述业务数据对应一个业务种类。
在本发明实施例中，业务对应有多个业务种类，在确定多个业务种类中的优势业务时，首先获取与每个业务种类对应的预设时间段内的一组业务数据，一组业务数据包括多个业务数据。值得一提的是，业务数据用于衡量对应业务种类的发行情况，本发明实施例对业务数据的具体内容并不进行限定，比如业务数据可为对应的业务种类的订单数量或者收益值等。此外，预设时间段也可根据实际应用场景进行确定，比如预设时间段可为某一年。业务数据可由用户手动进行输入，但更优的方式是编写数据库语句，如结构化查询语言(Structured Query Language，SQL)语句，并通过执行数据库语句在业务的后台数据库中获取业务数据。
在S102中，对多组所述业务数据进行采样，得到与每组所述业务数据对应的采样数据集，所述采样数据集包括一组所述业务数据中的最大值、最小值、四分之一位值、中位值、四分之三位值以及均值。
在获取多组业务数据后，由于每一组业务数据对应一个业务种类，故对每组业务数据进行单独分析。具体地，对每组业务数据进行采样，根据业务数据的数值大小，确定该组业务数据中的最大值、最小值、四分之一位值、中位值、四分之三位值以及均值，其中，均值为该组业务数据的平均值。在确定四分之一位值、中位值以及四分之三位值时，首先对一组中的多个业务数据进行排序，并根据该组业务数据的总个数确定排序后的多个业务数据中的四分之一位置、中间位置以及四分之三位置，确定的公式如下：
在上述公式中，Numberall为该组业务数据的总个数，Percenttarget为百分比值，若Percenttarget为25％，则得到的Numbertarget为四分之一位置；若Percenttarget为50％，则得到的Numbertarget为中间位置；若Percenttarget为75％，则得到的Numbertarget为四分之三位置。值得一提的是，若得到的Numbertarget不为整数，则以大于Numbertarget且最接近Numbertarget的整数更新Numbertarget。举例来说，一组排序后的业务数据为11，13，14，17，18，20，27，该组业务数据的总个数为7，Percenttarget取25％得到的Numbertarget为1.75，则四分之一位置为2；Percenttarget取50％得到的Numbertarget为3.5，则中间位置为4；Percenttarget取75％得到的Numbertarget为5.25，则四分之三位置为6。在确定四分之一位置、中间位置以及四分之三位置后，分别取位于四分之一位置、中间位置以及四分之三位置的业务数据作为四分之一位值、中位值以及四分之三位值。以上述例子举例，则确定的四分之一位值为13，中位值为17，四分之三位值为20。
在S103中，计算所述采样数据集的数据集价值，并将所述数据集价值最高的所述采样数据集对应的所述业务种类作为优势业务进行输出，所述数据集价值是指所述采样数据集内所有所述业务数据产生的收益总值。
在得到采样数据集后，计算采样数据集的数据集价值，数据集价值为采样数据集内所有业务数据产生的收益总值，在本发明实施例中，对数据集价值的计算方式并不进行限定，比如一种计算方式如下：
在上述公式中，Valueall为数据集价值，Valuebusiness-i为采样数据集中的第i个业务数据，值得一提的是，上述公式中的ValueK可以为预设的常量(在设置时应使ValueK大于或等于零，并且小于或等于采样数据集中的任一业务数据)，也可以为采样数据集中的最小值。上述公式中的weighti为业务数据的权值，权值可根据实际应用场景进行设定，举例来说，权值的一种设定方法是将权值设置为预设的统一常量(即weight1、weight2、……、weight6都相同)。权值的另一种设定方法是在已设置统一常量的基础上，为采样数据集中的不同业务数据设置不同的比例系数，并将统一常量与比例系数的乘积作为权值，比如将统一常量设置为1，若在确定优势业务时，更注重最小值，则将最小值对应比例系数设定得较大，比如设置为2，则最小值的权值为2，相应较大；若不注重中位值，则将中位值的比例系数设定得较小，比如设置为1，则中位值对应的权值为1，相应较小。在计算出每个采样数据集的数据集价值后，将多个数据集价值进行比较，并将数据集价值最高的采样数据集对应的业务种类作为优势业务，进行输出。
通过图1所示实施例可知，在本发明实施例中，通过对预设时间段的多组业务数据进行采样，得到与每组业务数据对应的采样数据集，并且计算采样数据集的数据集价值，将数据集价值最高的采样数据集对应的业务种类作为优势业务进行输出，提升了确定优势业务的准确性。
图2所示，是在本发明实施例一的基础上，并在每个业务数据对应一个业务时间的基础上，对计算所述采样数据集的数据集价值的过程进行细化后得到的一种实现方法。本发明实施例提供了优势业务的确定方法的实现流程图，如图2所示，该确定方法可以包括以下步骤：
在S201中，基于所述采样数据集构建多个数据区间，其中，每个数据区间包括所述采样数据集中的至少两个所述业务数据。
在本发明实施例中，一组业务数据中的每一个业务数据都对应一个业务时间，该业务时间为预设时间段中的时间点。举例来说，某个保险业务包括业务种类InsuranceA和InsuranceB，则为了确定优势业务，首先获取InsuranceA在2017年每个月1号的业务数据，构成与InsuranceA对应的一组业务数据，在上述例子中，预设时间段为2017年，在2017年1月1号获取的业务数据对应的业务时间即为2017年1月1号。同样地，获取InsuranceB在2017年每个月1号的业务数据，构成与InsuranceB对应的一组业务数据。值得一提的是，为了提升确定优势业务的准确性，多组业务数据的业务时间应设定为一致。
在得到与每组业务数据对应的采样数据集后，基于采样数据集中的多个业务数据构建多个数据区间，其中，每个数据区间包括采样数据集中的至少两个业务数据。数据区间的构建方式可根据实际应用场景确定，比如一种构建方式为构建由最小值和均值组成的数据区间、由均值和最大值组成的数据区间、由四分之一位值和中位值组成的数据区间以及由中位值和四分之三位值组成的数据区间。
在S202中，获取所述数据区间的起始数据和结束数据，并基于所述起始数据和所述结束数据计算所述数据区间的区间价值，所述起始数据为所述数据区间中所述业务时间最小的所述业务数据，所述结束数据为所述数据区间中所述业务时间最大的所述业务数据，所述区间价值为所述数据区间的收益变化值。
对于构建的每个数据区间，计算数据区间的区间价值，区间价值为该数据区间从起始到结束的收益变化值。具体地，获取数据区间的起始数据和结束数据，起始数据为数据区间中业务时间最靠前的业务数据，结束数据为数据区间中业务时间最靠后的业务数据，值得一提的是，对于采样数据集中的均值，其对应的业务时间是采样数据集中所有业务时间的均值。在确定起始数据和结束数据后，可通过如下公式计算数据区间的区间价值：
在上述公式中，Valueinterval为区间价值，Valuebusiness-end和Valuebusiness-start分别为结束数据和起始数据，weightend和weightstart分别为结束数据和起始数据的权值，可根据步骤S103中对weighti设置的方式进行设置。上述公式实质上是将结束数据对应的价值与起始数据对应的价值进行差值处理，并将处理的结果作为区间价值。
在S203中，将所述数据区间在所述预设时间段中的占比作为区间权值，基于所述区间权值和所述区间价值对多个所述数据区间进行加权求和，得到所述数据集价值。
在计算出数据区间的区间价值后，将数据区间在预设时间段中的占比作为区间权值，具体地，计算公式如下：
在上述公式中，Weightinterval为区间权值，Timebusiness-end为结束数据的业务时间，Timebusiness-start为起始数据的业务时间，Timeall为预设时间段。值得一提的是，业务时间的单位可根据实际应用场景进行确定，比如业务时间的单位可为天、月或年等。
在得到每个数据区间的区间权值后，基于区间权值和区间价值对多个数据区间进行加权求和，得到数据集价值，公式如下：
在上述公式中，N表示存在N个数据区间，Valueall为数据集价值，Weightinterval-j为第j个数据区间的区间权值，Valueinterval-j为第j个数据区间的区间价值。
通过图2所示实施例可知，在本发明实施例中，基于采样数据集构建多个数据区间，并获取数据区间的起始数据和结束数据，基于起始数据和结束数据计算数据区间的区间价值，区间价值为数据区间的收益变化值，最后将数据区间在预设时间段中的占比作为区间权值，基于区间权值和区间价值对多个数据区间进行加权求和，得到数据集价值，本发明实施例通过构建数据区间从而计算数据集价值，提升了计算数据集价值的准确性。
图3所示，是在本发明实施例二的基础上，对基于起始数据和结束数据计算数据区间的区间价值的过程进行细化后得到的一种实现方法。本发明实施例提供了优势业务的确定方法的实现流程图，如图3所示，该确定方法可以包括以下步骤：
在S301中，根据所述起始数据对应的业务时间以及所述结束数据对应的业务时间计算所述数据区间的数据趋势率，所述数据趋势率为从所述起始数据到所述结束数据的直线斜率。
在业务发行过程中，业务数据会随着时间变化产生各种波动，比如出现正增长或负增长等，故在本发明实施例中，为了更准确地量化业务数据变化的趋势，首先计算每个数据区间的数据趋势率。具体地，对于每个数据区间，数据趋势率即为从起始数据到结束数据的直线的斜率，计算公式如下：
上述公式中，Ratetrend即为数据趋势率。
在S302中，基于所述数据趋势率、所述起始数据以及所述结束数据计算所述区间价值。
在本发明实施例中，利益变化值的含义与步骤S202中不同，即本发明实施例的利益变化值与数据趋势率相关。在计算出数据趋势率后，基于数据趋势率和步骤S202中得到的区间价值重新更新区间价值(为了便于说明，将通过步骤S202得到的区间价值命名为第一区间价值)，但是由于在步骤S202的计算过程中，起始数据和结束数据都存在对应的权值，而根据实际应用场景权值之间的差异可能较大，故可能会出现第一区间价值为负，而数据趋势率为正，或第一区间价值为正，而数据趋势率为负的情况，故在本发明实施例中，计算区间价值的计算公式如下：
在上述公式中，Valueinterval-old为步骤S202计算得到的第一区间价值，Ω为预设的常量，可根据实际应用场景设定具体的数值，比如可将Ω设定为2。在上述公式中，将ValueK作为判断Valueinterval符号的标准，区间价值Valueinterval的取值分为以下四种情况：
(1)当Valueinterval-old≥0，Ratetrend≥0时，Valueinterval的取值为(Valueinterval的符号为正或为0)；当Valueinterval-old＜0，Ratetrend≥0，且|Valueinterval-old|≥ValueK时，由于第一区间价值为负，并且绝对值大于或等于ValueK，则确定价值负增长，将区间价值Valueinterval的符号设置为与第一区间价值相同，即Valueinterval的取值同样为
(2)当0≤Valueinterval-old＜ValueK且Ratetrend＜0时，由于第一区间价值小于ValueK，且数据趋势率小于零，则确定价值负增长，将区间价值Valueinterval的符号设置为与数据趋势率相同，Valueinterval的取值为
(3)当Valueinterval-old≥ValueK且Ratetrend＜0时，确定价值正增长，将区间价值的符号设置为与第一区间价值相同，即取值为当Valueinterval-old＜0且Ratetrend＜0时，确定Valueinterval的符号为负，Valueinterval的取值为
(4)当Valueinterval-old＜0，Ratetrend≥0且|Valueinterval-old|＜ValueK时，由于第一区间价值的绝对值小于预设的ValueK，故确定价值正增长，取值为
通过图3所示实施例可知，在本发明实施例中，根据起始数据对应的业务时间以及结束数据对应的业务时间计算数据区间的数据趋势率，该数据趋势率即为从起始数据到结束数据的直线斜率，然后基于数据趋势率、起始数据以及结束数据计算区间价值，本发明实施例将数据趋势率作为计算依据，提升了数据集价值在时间维度上的可靠性。
图4所示，是在本发明实施例三的基础上，对基于数据趋势率、起始数据以及结束数据计算区间价值的过程进行细化后得到的一种实现方法。本发明实施例提供了优势业务的确定方法的实现流程图，如图4所示，该确定方法可以包括以下步骤：
在S401中，根据所述起始数据对应的业务取消量和所述结束数据对应的业务取消量计算所述数据区间的取消趋势率，所述业务取消量为在所述业务时间取消办理所述业务种类对应业务的用户数量。
在业务发行过程中，可能会出现用户取消办理业务的情况，故在本发明实施例中，对于每个数据区间，统计位于起始数据的业务时间的业务取消量以及位于结束数据的业务时间的业务取消量，并计算出数据区间的取消趋势率，计算公式如下：
值得一提的是，业务取消量是指在业务时间取消办理业务种类对应业务的用户数量。在上述公式中，Ratecancelled是指取消趋势率，Cancelledbusiness-end是指数据区间的结束数据所在业务时间的业务取消量，Cancelledbusiness-start是指数据区间的起始数据所在业务时间的业务取消量，ωC为预设的与业务取消量对应的权值，比如业务数据的格式为订单数量，平均在一名用户取消办理业务后，该用户对应的取消的订单为3个，则可将ωC设置为3。
在S402中，基于所述取消趋势率、所述数据趋势率、所述起始数据以及所述结束数据计算所述区间价值。
在计算出取消趋势率后，基于取消趋势率、数据趋势率和步骤S202中得到的第一区间价值(该第一区间价值的命名同样是为了方便区分)重新计算区间价值，计算公式如下：
在上述公式中，Valueinterval-old为第一区间价值，Valueinterval为最终计算出的区间价值，Ratenew＝Ratetrend－Ratecancelled，即Ratenew为数据趋势率与取消趋势率之间的差值。为了说明取消趋势率小于或等于数据趋势率的情况的存在(即Ratenew≥0)，假设业务数据的格式为订单数量，则对于办理业务的用户来说，一个用户可能对应一个或多个订单，在部分用户取消办理业务的同时，可能存在已有的用户办理业务的订单增多，或者新用户增多的情况，造成结束数据的订单数量多于起始数据的订单数量，故取消趋势率小于或等于数据趋势率的情况可存在于特定条件下。
通过图4所示实施例可知，在本发明实施例中，根据起始数据对应的业务取消量和结束数据对应的业务取消量计算数据区间的取消趋势率，业务取消量为在业务时间取消办理业务种类对应业务的用户数量，然后基于取消趋势率、数据趋势率、起始数据以及结束数据计算数据区间的区间价值，本发明实施例将取消趋势率作为计算区间价值的依据，进一步提升了区间价值的可靠性。
图5所示，是在本发明实施例二的基础上，对基于所述采样数据集构建多个数据区间的过程进行细化后得到的一种实现方法。本发明实施例提供了优势业务的确定方法的实现流程图，如图5所示，该确定方法可以包括以下步骤：
在S501中，在所述采样数据集中，按照预设的数值顺序依次选取两个所述业务数据作为第一元素数据和第二元素数据，并对已选取的所述业务数据设置已用标识。
在本发明实施例中，当采样数据集构建完毕后，按照预设的数值顺序从采样数据集中依次选取业务数据，其中数值顺序可以为数值从小到大的顺序，也可以为数值从大到小的顺序。在执行选取操作时，将首先选取的业务数据作为第一元素数据，将第一元素数据之后选取的业务数据作为第二元素数据，并对采样数据集中已选取的业务数据设置已用标识，在后续执行选取操作时，仅选取不存在已用标识的业务数据。
在S502中，若所述第一元素数据和所述第二元素数据之间的差值的绝对值大于预设阈值，则基于所述第一元素数据和所述第二元素数据构建所述数据区间。
确定第一元素数据和第二元素数据后，为了在保证计算误差足够小的前提下减少数据区间的个数，以达到节省计算资源的目的，在本发明实施例中，计算第一元素数据和第二元素数据之间的差值的绝对值，并将该绝对值与预设阈值进行比对，若该绝对值大于预设阈值，则基于第一元素数据和第二元素数据构建数据区间，具体地，将第一元素数据和第二元素数据中业务时间较小的数据作为数据区间的起始数据，将业务时间较大的数据作为数据区间的结束数据。
在S503中，若所述第一元素数据和所述第二元素数据之间的差值的绝对值小于或等于所述预设阈值，则在采样数据集中按照所述数值顺序选取不存在所述已用标识的所述业务数据作为新的第二元素数据进行比较，若所述第一元素数据和新的所述第二元素数据之间的差值的绝对值大于所述预设阈值，则基于所述第一元素数据和新的所述第二元素数据构建所述数据区间。
如果第一元素数据和第二元素数据之间的差值的绝对值小于或等于预设阈值，证明第一元素数据与第二元素数据之间的差异较小，则为了减少数据区间的数量，在采样数据集中按照数值顺序选取不存在已用标识的业务数据作为新的第二元素数据，同样地，在选取后，对采样数据集中已选取的业务数据设置已用标识。然后，将第一元素数据与新的第二元素数据之间的差值的绝对值与预设阈值进行比较，若该绝对值大于预设阈值，则基于第一元素数据与新的第二元素数据构建数据区间；若该绝对值小于或等于预设阈值，则在采样数据集中按照数值顺序再次选取不存在已用标识的业务数据作为新的第二元素数据。
通过图5所示实施例可知，在本发明实施例中，按照预设的数值顺序依次选取采样数据集中的两个业务数据作为第一元素数据和第二元素数据，并对已选取的业务数据设置已用标识，若第一元素数据和第二元素数据之间的差值的绝对值大于预设阈值，则基于第一元素数据和第二元素数据构建数据区间；若第一元素数据和第二元素数据之间的差值的绝对值小于或等于预设阈值，则在采样数据集中按照数值顺序选取不存在已用标识的所述业务数据作为新的第二元素数据，重新进行比较，本发明实施例在两个业务数据的差值足够大时才构建数据区间，有效减少了计算量，提升了计算效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图6示出了本发明实施例提供的终端设备的结构框图，该终端设备包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图1与图1所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。
参见图6，所述终端设备包括：
获取单元61，用于获取预设时间段的多组业务数据，每组所述业务数据对应一个业务种类；
采样单元62，用于对多组所述业务数据进行采样，得到与每组所述业务数据对应的采样数据集，所述采样数据集包括一组所述业务数据中的最大值、最小值、四分之一位值、中位值、四分之三位值以及均值；
输出单元63，用于计算所述采样数据集的数据集价值，并将所述数据集价值最高的所述采样数据集对应的所述业务种类作为优势业务进行输出，所述数据集价值是指所述采样数据集内所有所述业务数据产生的收益总值。
可选地，每个业务数据对应一个业务时间，所述输出单元63，包括：
构建单元，用于基于所述采样数据集构建多个数据区间，其中，每个数据区间包括所述采样数据集中的至少两个所述业务数据；
第一计算单元，用于获取所述数据区间的起始数据和结束数据，并基于所述起始数据和所述结束数据计算所述数据区间的区间价值，所述起始数据为所述数据区间中所述业务时间最小的所述业务数据，所述结束数据为所述数据区间中所述业务时间最大的所述业务数据，所述区间价值为所述数据区间的收益变化值；
求和单元，用于将所述数据区间在所述预设时间段中的占比作为区间权值，基于所述区间权值和所述区间价值对多个所述数据区间进行加权求和，得到所述数据集价值。
可选地，所述第一计算单元，包括：
第二计算单元，用于根据所述起始数据对应的业务时间以及所述结束数据对应的业务时间计算所述数据区间的数据趋势率，所述数据趋势率为从所述起始数据到所述结束数据的直线斜率；
第三计算单元，用于基于所述数据趋势率、所述起始数据以及所述结束数据计算所述区间价值。
可选地，所述第二计算单元，包括：
第四计算单元，用于根据所述起始数据对应的业务取消量和所述结束数据对应的业务取消量计算所述数据区间的取消趋势率，所述业务取消量为在所述业务时间取消办理所述业务种类对应业务的用户数量；
第五计算单元，用于基于所述取消趋势率、所述数据趋势率、所述起始数据以及所述结束数据计算所述区间价值。
可选地，所述构建单元，包括：
选取单元，用于在所述采样数据集中，按照预设的数值顺序依次选取两个所述业务数据作为第一元素数据和第二元素数据，并对已选取的所述业务数据设置已用标识；
构建子单元，用于若所述第一元素数据和所述第二元素数据之间的差值的绝对值大于预设阈值，则基于所述第一元素数据和所述第二元素数据构建所述数据区间；
比较单元，用于若所述第一元素数据和所述第二元素数据之间的差值的绝对值小于或等于所述预设阈值，则在采样数据集中按照所述数值顺序选取不存在所述已用标识的所述业务数据作为新的第二元素数据进行比较，若所述第一元素数据和新的所述第二元素数据之间的差值的绝对值大于所述预设阈值，则基于所述第一元素数据和新的所述第二元素数据构建所述数据区间。
因此，本发明实施例提供的终端设备通过构建采样数据集并计算数据集价值，将数据集价值最高的采样数据集对应的业务种类作为优势业务进行输出，提升了确定优势业务的准确性。
图7是本发明实施例提供的终端设备的示意图。如图7所示，该实施例的终端设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如优势业务的确定程序。所述处理器70执行所述计算机程序72时实现上述各个优势业务的确定方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，所述处理器70执行所述计算机程序72时实现上述各终端设备实施例中各单元的功能，例如图6所示单元61至63的功能。
示例性的，所述计算机程序72可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器71中，并由所述处理器70执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。例如，所述计算机程序72可以被分割成获取单元、采样单元和输出单元，各单元具体功能如下：
获取单元，用于获取预设时间段的多组业务数据，每组所述业务数据对应一个业务种类；
采样单元，用于对多组所述业务数据进行采样，得到与每组所述业务数据对应的采样数据集，所述采样数据集包括一组所述业务数据中的最大值、最小值、四分之一位值、中位值、四分之三位值以及均值；
输出单元，用于计算所述采样数据集的数据集价值，并将所述数据集价值最高的所述采样数据集对应的所述业务种类作为优势业务进行输出，所述数据集价值是指所述采样数据集内所有所述业务数据产生的收益总值。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端设备7的示例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元完成，即将所述终端设备的内部结构划分成不同的功能单元，以完成以上描述的全部或者部分功能。实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的终端设备和方法，可以通过其它的方式实现。例如，以上所描述的终端设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种优势业务的确定方法，其特征在于，包括：
获取预设时间段的多组业务数据，每组所述业务数据对应一个业务种类；
对多组所述业务数据进行采样，得到与每组所述业务数据对应的采样数据集，所述采样数据集包括一组所述业务数据中的最大值、最小值、四分之一位值、中位值、四分之三位值以及均值；
计算所述采样数据集的数据集价值，并将所述数据集价值最高的所述采样数据集对应的所述业务种类作为优势业务进行输出，所述数据集价值是指所述采样数据集内所有所述业务数据产生的收益总值。
2.如权利要求1所述的确定方法，其特征在于，每个所述业务数据对应一个业务时间，所述计算所述采样数据集的数据集价值，包括：
基于所述采样数据集构建多个数据区间，其中，每个数据区间包括所述采样数据集中的至少两个所述业务数据；
获取所述数据区间的起始数据和结束数据，并基于所述起始数据和所述结束数据计算所述数据区间的区间价值，所述起始数据为所述数据区间中所述业务时间最小的所述业务数据，所述结束数据为所述数据区间中所述业务时间最大的所述业务数据，所述区间价值为所述数据区间的收益变化值；
将所述数据区间在所述预设时间段中的占比作为区间权值，基于所述区间权值和所述区间价值对多个所述数据区间进行加权求和，得到所述数据集价值。
3.如权利要求2所述的确定方法，其特征在于，所述基于所述起始数据和所述结束数据计算所述数据区间的区间价值，包括：
根据所述起始数据对应的业务时间以及所述结束数据对应的业务时间计算所述数据区间的数据趋势率，所述数据趋势率为从所述起始数据到所述结束数据的直线斜率；
基于所述数据趋势率、所述起始数据以及所述结束数据计算所述区间价值。
4.如权利要求3所述的确定方法，其特征在于，所述基于所述数据趋势率、所述起始数据以及所述结束数据计算所述区间价值，包括：
根据所述起始数据对应的业务取消量和所述结束数据对应的业务取消量计算所述数据区间的取消趋势率，所述业务取消量为在所述业务时间取消办理所述业务种类对应业务的用户数量；
基于所述取消趋势率、所述数据趋势率、所述起始数据以及所述结束数据计算所述区间价值。
5.如权利要求2所述的确定方法，其特征在于，基于所述采样数据集构建多个数据区间，包括：
在所述采样数据集中，按照预设的数值顺序依次选取两个所述业务数据作为第一元素数据和第二元素数据，并对已选取的所述业务数据设置已用标识；
若所述第一元素数据和所述第二元素数据之间的差值的绝对值大于预设阈值，则基于所述第一元素数据和所述第二元素数据构建所述数据区间；
若所述第一元素数据和所述第二元素数据之间的差值的绝对值小于或等于所述预设阈值，则在采样数据集中按照所述数值顺序选取不存在所述已用标识的所述业务数据作为新的第二元素数据进行比较，若所述第一元素数据和新的所述第二元素数据之间的差值的绝对值大于所述预设阈值，则基于所述第一元素数据和新的所述第二元素数据构建所述数据区间。
6.一种终端设备，其特征在于，所述终端设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
获取预设时间段的多组业务数据，每组所述业务数据对应一个业务种类；
对多组所述业务数据进行采样，得到与每组所述业务数据对应的采样数据集，所述采样数据集包括一组所述业务数据中的最大值、最小值、四分之一位值、中位值、四分之三位值以及均值；
计算所述采样数据集的数据集价值，并将所述数据集价值最高的所述采样数据集对应的所述业务种类作为优势业务进行输出，所述数据集价值是指所述采样数据集内所有所述业务数据产生的收益总值。
7.如权利要求6所述的终端设备，其特征在于，每个所述业务数据对应一个业务时间，所述计算所述采样数据集的数据集价值，包括：
基于所述采样数据集构建多个数据区间，其中，每个数据区间包括所述采样数据集中的至少两个所述业务数据；
获取所述数据区间的起始数据和结束数据，并基于所述起始数据和所述结束数据计算所述数据区间的区间价值，所述起始数据为所述数据区间中所述业务时间最小的所述业务数据，所述结束数据为所述数据区间中所述业务时间最大的所述业务数据，所述区间价值为所述数据区间的收益变化值；
将所述数据区间在所述预设时间段中的占比作为区间权值，基于所述区间权值和所述区间价值对多个所述数据区间进行加权求和，得到所述数据集价值。
8.如权利要求7所述的终端设备，其特征在于，所述基于所述起始数据和所述结束数据计算所述数据区间的区间价值，包括：
根据所述起始数据对应的业务时间以及所述结束数据对应的业务时间计算所述数据区间的数据趋势率，所述数据趋势率为从所述起始数据到所述结束数据的直线斜率；
基于所述数据趋势率、所述起始数据以及所述结束数据计算所述区间价值。
9.如权利要求8所述的终端设备，其特征在于，所述基于所述数据趋势率、所述起始数据以及所述结束数据计算所述区间价值，包括：
根据所述起始数据对应的业务取消量和所述结束数据对应的业务取消量计算所述数据区间的取消趋势率，所述业务取消量为在所述业务时间取消办理所述业务种类对应业务的用户数量；
基于所述取消趋势率、所述数据趋势率、所述起始数据以及所述结束数据计算所述区间价值。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述确定方法的步骤。
CN201811119467.2A 2018-09-25 2018-09-25 优势业务的确定方法及终端设备 Active CN109460892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811119467.2A CN109460892B (zh) 2018-09-25 2018-09-25 优势业务的确定方法及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811119467.2A CN109460892B (zh) 2018-09-25 2018-09-25 优势业务的确定方法及终端设备

Publications (2)

Publication Number Publication Date
CN109460892A true CN109460892A (zh) 2019-03-12
CN109460892B CN109460892B (zh) 2024-01-30

Family

ID=65606920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811119467.2A Active CN109460892B (zh) 2018-09-25 2018-09-25 优势业务的确定方法及终端设备

Country Status (1)

Country Link
CN (1) CN109460892B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102483738A (zh) * 2009-07-14 2012-05-30 惠普开发有限公司 确定时间数据中的周期性效应
US20150046218A1 (en) * 2013-08-08 2015-02-12 International Business Machines Corporation Trend-factored rfm scores to improve campaign performance
CN104751363A (zh) * 2015-03-24 2015-07-01 北京工商大学 基于贝叶斯分类器的股票中长期趋势预测方法及系统
CN106021505A (zh) * 2016-05-23 2016-10-12 百度在线网络技术（北京）有限公司 大数据因子的价值参数的处理方法及装置
CN106503433A (zh) * 2016-10-18 2017-03-15 广州极飞科技有限公司 基于无人机作业的喷洒区域确定方法及装置
CN107562698A (zh) * 2017-08-03 2018-01-09 北京京东尚科信息技术有限公司 一种样本值区间模型的优化方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102483738A (zh) * 2009-07-14 2012-05-30 惠普开发有限公司 确定时间数据中的周期性效应
US20150046218A1 (en) * 2013-08-08 2015-02-12 International Business Machines Corporation Trend-factored rfm scores to improve campaign performance
CN104751363A (zh) * 2015-03-24 2015-07-01 北京工商大学 基于贝叶斯分类器的股票中长期趋势预测方法及系统
CN106021505A (zh) * 2016-05-23 2016-10-12 百度在线网络技术（北京）有限公司 大数据因子的价值参数的处理方法及装置
CN106503433A (zh) * 2016-10-18 2017-03-15 广州极飞科技有限公司 基于无人机作业的喷洒区域确定方法及装置
CN107562698A (zh) * 2017-08-03 2018-01-09 北京京东尚科信息技术有限公司 一种样本值区间模型的优化方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陌麓: "统计学常识--描述数据集的四个指标", pages 1 - 2 *

Also Published As

Publication number Publication date
CN109460892B (zh) 2024-01-30

Similar Documents

Publication Publication Date Title
Fu et al. Pricing American options: A comparison of Monte Carlo simulation approaches
CN108763277B (zh) 一种数据分析方法、计算机可读存储介质及终端设备
CN112084269B (zh) 数据质量计算方法、装置、存储介质及服务器
CN111198938A (zh) 一种样本数据处理方法、样本数据处理装置及电子设备
Solares et al. Handling uncertainty through confidence intervals in portfolio optimization
CN107025137A (zh) 一种资源查询方法及装置
CN109241068A (zh) 前后台数据比对的方法、装置及终端设备
Guegan et al. Multivariate vars for operational risk capital computation: a vine structure approach
CN108681751A (zh) 确定事件影响因素的方法及终端设备
CN111179055B (zh) 授信额度调整方法、装置和电子设备
CN111091245A (zh) 一种参与有序用能企业的确定方法及装置
CN109146060A (zh) 一种基于卷积神经网络处理数据的方法及装置
CN111930350B (zh) 一种基于计算模板的精算模型建立方法
CN108830663B (zh) 电力客户价值评价方法、系统及终端设备
CN105404608B (zh) 一种基于公式解析的复杂指标集计算方法和系统
CN108256816A (zh) 一种佣金数据处理方法、装置及设备
CN109460892A (zh) 优势业务的确定方法及终端设备
Zeng et al. Neural Copula: A unified framework for estimating generic high-dimensional Copula functions
CN109324963A (zh) 自动测试收益结果的方法及终端设备
Capriotti Least-squares importance sampling for Monte Carlo security pricing
Zou et al. An improved grey Markov chain model with ANN error correction and its application in gross domestic product forecasting
Wang et al. Pricing Asian options in an uncertain stock model with floating interest rate
CN105589950A (zh) 事件属性语句确定及基于事件属性语句预警方法和装置
CN105976210A (zh) 电力营销用服务系统
CN112488539A (zh) 一种薪酬指标测算方法、装置、电子设备和存储介质

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
GR01 Patent grant
GR01 Patent grant