CN109858821A - 一种影响特征确定方法、装置、设备和介质 - Google Patents

Abstract

本申请实施例提供了一种影响特征确定方法、装置、设备和介质，该方法包括：获取当前工单量；在确定所述当前工单量发生异常后，获取所述当前工单量对应的各预设特征的值；基于所述当前工单量对应的各预设特征的值，以及每个所述预设特征对应的权重，确定每个预设特征对所述当前工单量的影响度；根据各所述影响度，从各所述预设特征中，确定导致所述当前工单量发生异常的影响特征。本申请实施例能够提高确定的影响特征的准确度。

Description

一种影响特征确定方法、装置、设备和介质

技术领域

本申请涉及数据处理技术领域，具体而言，涉及一种影响特征确定方法、装置、设备和介质。

背景技术

目前，针对车辆(如，二手车、新车等)上线业务，用户一般通过线下或线上(如，网站、终端应用等)注册的方式，在相应的服务平台上上线需要出售的车辆，而对于服务平台而言，需要根据各渠道的流量确定工单量(预设时间段内，基于各渠道的流量由服务平台创建的评估工单量)，那么，分析影响工单量转化的因素显得尤为重要。

现有技术中，一般是在工单量的转化率发生较大波动时，针对发生波动的当月的数据进行分析，确定影响工单量的转化率的影响特征，但是，这样确定的影响特征比较单一，且确定的影响特征的准确度比较低。

发明内容

有鉴于此，本申请的目的在于提供一种影响特征确定方法、装置、设备和介质，用于解决现有技术中确定的影响特征准确度低的问题。

第一方面，本申请实施例提供了一种影响特征确定方法，该方法包括：

获取当前工单量；

在确定所述当前工单量发生异常后，获取所述当前工单量对应的各预设特征的值；

基于所述当前工单量对应的各预设特征的值，以及每个所述预设特征对应的权重，确定每个预设特征对所述当前工单量的影响度；

根据所述影响度，从各所述预设特征中，确定导致所述当前工单量发生异常的影响特征。

可选地，所述基于所述当前工单量对应的各预设特征的值，以及每个所述预设特征对应的权重，确定每个预设特征对所述当前工单量的影响度，包括：

针对每个预设特征，根据当前工单量对应的该预设特征的值和上一个工单量对应的该预设特征的值，确定所述当前工单量对应的该预设特征的波动值；

将各所述预设特征的波动值和对应的权重的乘积作为各预设特征对所述当前工单量的影响度。

可选地，所述根据所述影响度，从各所述预设特征中，确定导致所述当前工单量发生异常的影响特征，包括：

按照影响度由大到小的顺序排序，将排序靠前的前预设数目个影响度对应的预设特征确定为所述影响特征。

可选地，根据以下方式确定每个所述预设特征对应的权重：

获取各所述预设特征的历史值以及对应的历史转化率；

将所述历史转化率作为因变量，将各所述预设特征的历史值作为自变量，训练转化率预测模型，得到各所述预设特征对应的权重。

可选地，在所述确定导致所述当前工单量发生异常的影响特征之后，还包括：

若所述影响特征中存在特征为设定特征，则基于当前工单量对应的各预设渠道的流量占比和上一个工单量对应的各预设渠道的流量占比，以及当前工单量对应的各预设渠道的转化率和上一个工单量对应的各预设渠道的转化率，确定各所述预设渠道对所述当前工单量对应的转化率的影响值；

输出落入预设影响值范围内的影响值对应的预设渠道。

第二方面，本申请实施例提供了一种影响特征确定装置，该装置包括：

第一获取模块，用于获取当前工单量；

第二获取模块，在确定所述当前工单量发生异常后，获取所述当前工单量对应的各预设特征的值；

第一确定模块，用于基于所述当前工单量对应的各预设特征的值，以及每个所述预设特征对应的权重，确定每个预设特征对所述当前工单量的影响度；

第二确定模块，用于根据所述影响度，从各所述预设特征中，确定导致所述当前工单量发生异常的影响特征。

可选地，所述第一确定模块具体用于：

针对每个预设特征，根据当前工单量对应的该预设特征的值和上一个工单量对应的该预设特征的值，确定所述当前工单量对应的该预设特征的波动值；

将各所述预设特征的波动值和对应的权重的乘积作为各预设特征对所述当前工单量的影响度。

可选地，所述第二确定模块具体用于：

按照影响度由大到小的顺序排序，将排序靠前的前预设数目个影响度对应的预设特征确定为所述影响特征。

第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上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上述方法的步骤。

第四方面，本申请实施例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上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法的步骤。

本申请实施例提供的一种影响特征确定方法，在确定当前工单量发生异常后，获取当前工单量对应的各预设特征的值，基于当前工单量对应的各预设特征的值，以及每个预设特征对应的权重，确定每个预设特征对当前工单量的影响度，根据各影响度，从各预设特征中，确定导致当前工单量发生异常的影响特征。这样，提高了最终确定的影响特征的准确度。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例提供的一种影响特征确定方法的流程示意图；

图2为本申请实施例提供的一种影响特征确定装置的第一种结构示意图；

图3为本申请实施例提供的一种影响特征确定装置的第二种结构示意图；

图4为本申请实施例提供的一种计算机设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供了一种影响特征确定方法，如图1所示，该方法包括：

S101，获取当前工单量；

这里，工单量为预设时间段内，基于各预设渠道的流量，由服务平台创建的评估工单量，当前工单量为当前时间获取的服务平台的评估工单量，其中，预设时间段一般为设定好的工单创建周期，该周期可以根据实际情况确定，例如，该周期可以为1天、连续几天、一个星期等；预设渠道可以为网站、网页、应用、搜索引擎等，可根据实际情况确定。

S102，在确定所述当前工单量发生异常后，获取所述当前工单量对应的各预设特征的值；

这里，预设特征一般是从历史数据中抽取的，历史数据包括但不限于总流量、各预设渠道流量、估价流量比例、在线客服数量、时均客服数量、平均通话时长、客服处理总量、客服外呼总量、客服新人数量、外呼接通量等，其中，总流量为各预设遇到流量的和值，估价流量比例为用户通过估价按钮访问网页的流量，预设渠道可以是但不限于网站、应用等，在线客服数量为线上为用户提供服务的客服的总数量，时均客服数量为每个小时平均客服数据量，平均通话时长为客服通话时的服务时长的平均值，客服处理总量为各客服处理的总任务量，客服外呼总量为客服主动为用户进行服务的总任务量，客服新人数量为无经验的客服的数量，外呼接通量为客服主动为用户服务且联系上用户的数量；预设特征可以为但不限于应用渠道流量、商业渠道流量、品牌专区渠道流量、估价线索量、时均客服数、当日在岗客服数、平均通话时长、非当天流量、初次处理流量、人均外呼数，其中，非当天流量为非当天获取的流量在当天被客服处理的量，初次处理流量为客服处理的所有流量中初次联系某个用户的量，人均外呼数为客服主动为用户进行服务的次数的平均值；

在具体实施中，判断当前工单量是否在预设的工单合理波动范围内，若当前工单量在工单合理波动范围内，则确定当前工单量未发生异常，若当前工单量未落入工单合理波动范围内，如，受渠道流量的影响，导致当前工单量低于工单合理波动范围的下限值，或者，受服务平台服务的影响，导致当前的工单量高于工单合理波动范围的上限值，因此，只要工单量未落入到工单合理波动范围内，均确定当前工单量发生异常，进一步，获取当前工单量对应的各预设特征的值，也就是，获取当前工单量对应的应用(APP)渠道流量、商务(BD)渠道流量、品牌专区渠道流量、估价线索量、时均客服数、当日在岗客服数、平均通话时长、非当天流量、初次处理流量、人均外呼数的值。

根据以下方式确定工单合理波动范围：

获取当前工单量对应的当前流量、上一个工单量、上一个流量；

根据上一个工单量、当前流量、上一个流量，确定第一预估值；

基于惰性系数、上一个工单量、当前流量、上一个流量，确定第二预估值；

利用T检验对上述第一预估值和第二预估值进行处理得到工单合理波动范围。

这里，上一个工单量一般为上一个检测周期的工单量，上一个流量为上一个检测周期的流量，如，检测周期为7天，当前流量为2018年12月24日的流量，上一个工单量为2018年12月27日的工单量，上一个流量为2018年12月27日的流量；惰性系数为预先设定的，一般为0-1之间。

根据以下公式确定第一预估值：

y1＝a1*n2/n1；

其中，y1为第一预估值，a1为上一个工单量，n2为当前流量，n1为上一个流量。

根据以下公式确定第二预估值：

y2＝a1*(h*(n2/n1-1)+1)；

其中，y2为第二预估值，h为惰性系数。

将第一预估值向上、向下做逐步移动，直到t检验无法通过为止，得到上边界q1、下边界q2。其中，通过t检验得到上边界和边界的技术在现有技术中已有详细的介绍，此处不再进行过多说明。

工单合理波动范围为(q1+y2-y1，q2+y2-y1)。

例如，获取的当前工单量为2000，工单合理波动范围为(3000，5000)，当前工单量不在工单合理波动范围内，进一步获取当前工单量对应的各预设特征的值。

S103，基于所述当前工单量对应的各预设特征的值，以及每个所述预设特征对应的权重，确定每个预设特征对所述当前工单量的影响度。

这里，预设特征对应的权重是通过训练转化率预测模型得到的，权重表征当前预设特征对转化率的影响程度，比重越大，说明预设特征对转化率的影响越大。

在基于所述当前工单量对应的各预设特征的值，以及每个所述预设特征对应的权重，确定每个预设特征对所述当前工单量的影响度，包括以下步骤：

针对每个预设特征，根据当前工单量对应的该预设特征的值和上一个工单量对应的该预设特征的值，确定所述当前工单量对应的该预设特征的波动值；

将各所述预设特征的波动值和对应的权重的乘积作为各预设特征对所述当前工单量的影响度。

在具体实施中，针对每个预设特征，计算当前工单量对应的该预设特征的值和上一个工单量对应的该预设特征的值的比值，将该比值作为当前工单量对应的该预设特征的波动值，计算该预设特征的波动值和该预设特征对应的权重的乘积，将该乘积作为该预设特征对当前工单量的影响度。

例如，预设特征为A、B、C，A特征的权重为β1，B特征的权重为β2，C特征的权重为β3，当前工单量对应的A特征的值为α10，当前工单量对应的B特征的值为α11，当前工单量对应的C特征的值为α12，上一个工单量对应的A特征的值为α20，上一个工单量对应的B特征的值为α21，上一个工单量对应的C特征的值为α22，A特征的波动值为α10/α20，B特征的波动值为α11/α21，C特征的波动值为α12/α22，A特征对当前工单量的影响度为α10*β1/α20，B特征对当前工单量的影响度为α11*β2/α21，C特征对当前工单量的影响度为α12*β3/α23。

根据以下方式确定每个所述预设特征对应的权重：

获取各所述预设特征的历史值以及对应的历史转化率；

将所述历史转化率作为因变量，将各所述预设特征的历史值作为自变量，训练转化率预测模型，得到各所述预设特征对应的权重。

这里，转化率为工单量和流量的比值；转换率预测模型可以是但不限于线性回归模型、非线性回归模型等，优选地，本申请的转化率预测模型为非线性回归模型。

在具体实施中，获取第一历史时间段各预设特征的历史值，以及该第一历史时间段的历史转化率，将各预设特征的历史值作为自变量，将相应的历史转化率作为因变量，对转化率预测模型进行训练，在得到训练完成的转化率预测模型后，获取第二历史时间段的各预设特征的历史值以及对应的历史转化率，将第二历史时间段的各预设特征的历史值输入到完成训练的转化率预测模型，得到预测结果，利用预设算法对预测结果和第二历史时间段的历史转化率进行处理，基于处理结果调整各预设特征的权重。其中，第一历史时间段和第二历史时间段可以为相同的时间段，也可以为不同的时间段，若第一历史时间段和第二历史时间段为相同的历史时间段，则第一历史时间段获取的历史值和历史转化率与第二历史时间段获取的历史值和历史转化率为不同的值，历史时间段可以为一个星期、连续多个星期、一个月、一个季度等，可视具体情况确定；预设算法包括决定系数算法、赤池信息量、均方误差等，现有技术已有详细的介绍，此处不再进行过多说明。

S104，根据各所述影响度，从各所述预设特征中，确定导致所述当前工单量发生异常的影响特征。

在具体实施中，按照影响度由大到小的顺序排序，将排序靠前的前预设数目个影响度对应的预设特征确定为所述影响特征。其中，预设数目一般为预先设定的，例如，预设数目为3、5、7等，可根据实际情况确定。

例如，预设特征包括A、B、C、D、E，预设数目为3，A特征对应的影响度为0.9，B特征对应的影响度为0.8，C特征对应的影响度为0.1，D特征对应的影响度为0.3，E特征对应的影响度为0.95，影响度由大到小的顺序排序后的特征分别为E、A、B、D、C，将E特征、A特征、B特征作为导致当前工单量发生异常的影响特征。

在所述确定导致所述当前工单量发生异常的影响特征之后，还包括：

若所述影响特征中存在特征为设定特征，则基于当前工单量对应的各预设渠道的流量占比和上一个工单量对应的各预设渠道的流量占比，以及当前工单量对应的各预设渠道的转化率和上一个工单量对应的各预设渠道的转化率，确定各所述预设渠道对所述当前工单量对应的转化率的影响值；

输出落入预设影响值范围内的影响值对应的预设渠道。

这里，设定特征一般为应用渠道流量、商务渠道流量、品牌专区渠道流量；流量占比为各预设渠道的流量与所有渠道的总流量的比值。

在具体实施过程中，判断确定的影响特征中是否存在设定特征，若影响特征中存在特征为设定特征，则获取当前工单量对应的各预设渠道的流量在所有预设渠道的总流量中的流量占比、上一个工单量对应的各预设渠道的流量在所有预设渠道的总流量中的流量占比以及上一个工单量对应的转化率，针对每个预设渠道，计算当前工单量中该预设渠道的流量占比与上一个工单量中该预设渠道的流量占比的差值，将该预设渠道对应的差值和上一个工单量对应该预设渠道的转化率的乘积作为该预设渠道对转化率的第一影响值，第一影响值表征流量对应的预设渠道对转化率的影响程度，第一影响值越大，表征相应预设渠道的流量对转化率的影响越大；针对每个预设渠道，计算当前工单量中该预设渠道的转化率与上一个工单量中该预设渠道的转化率的差值，将该预设渠道对应的差值和上一个工单量对应的该预设渠道的流量的流量占比的乘积作为该预设渠道对转化率的第二影响值，第二影响值表征预设渠道的数据质量对转化率的影响程度，第二影响值越大，表征预设渠道的数据质量波动越大；并输出落入预设影响值范围内的第一影响值和第二影响值对应的预设渠道。

例如，针对第一影响值对转化率的影响，预设渠道包括A、B，当前工单量对应的A渠道的流量占比为19.52％，上一个工单量对应的A渠道的流量占比为17.04％，A渠道的结构变化值为19.52％-17.04％＝2.47％，上一个工单量对应的转化率为29.991％，A渠道的第一影响值为2.47％*29.991％＝0.742％，当前工单量对应的B渠道的流量占比为18.60％，上一个工单量对应的A渠道的流量占比为19.87％，A渠道的结构变化值为18.60％-19.87％＝-1.28％，上一个工单量对应的转化率为11.566％，B渠道的第一影响值为-1.28％*11.566％＝-0.147％，A渠道的第一影响值大于B渠道的第一影响值，因此，A渠道对转化率的影响比较大。

又如，针对第二影响值对转化率的影响，预设渠道包括A、B，当前工单量对应的A渠道的转化率为24.86％，上一个工单量对应的A渠道的转化率为29.99％，A渠道的转化率变化值为24.86％-29.99％＝-5.14％，上一个工单量对应的流量占比为19.515％，A渠道的第二影响值为-5.14％*19.515％＝-1.002％，当前工单量对应的B渠道的转化率为10.23％，上一个工单量对应的A渠道的转化率为11.57％，A渠道的转化率变化值为10.23％-11.57％＝-1.33％，上一个工单量对应的流量占比为18.597％，B渠道的第二影响值为-1.33％*18.597％＝-0.248％，A渠道的第二影响值大于B渠道的第二影响值，因此，A渠道对转化率的影响比较大。

本申请实施例提供的一种影响特征确定方法，在确定当前工单量发生异常后，获取当前工单量对应的各预设特征的值，基于当前工单量对应的各预设特征的值，以及每个预设特征对应的权重，确定每个预设特征对当前工单量的影响度，根据各影响度，从各预设特征中，确定导致所述当前工单量发生异常的影响特征。这样，提高了最终确定的影响特征的准确度。

本申请实施例提供了一种影响特征确定装置，如图2所示，该装置包括：

第一获取模块21，用于获取当前工单量；

第二获取模块22，在确定所述当前工单量发生异常后，获取所述当前工单量对应的各预设特征的值；

第一确定模块23，用于基于所述当前工单量对应的各预设特征的值，以及每个所述预设特征对应的权重，确定每个预设特征对所述当前工单量的影响度；

第二确定模块24，用于根据各所述影响度，从各所述预设特征中，确定导致所述当前工单量发生异常的影响特征。

可选地，所述第一确定模块23具体用于：

针对每个预设特征，根据当前工单量对应的该预设特征的值和上一个工单量对应的该预设特征的值，确定所述当前工单量对应的该预设特征的波动值；

将各所述预设特征的波动值和对应的权重的乘积作为各预设特征对所述当前工单量的影响度。

可选地，所述第二确定模块24具体用于：

按照影响度由大到小的顺序排序，将排序靠前的前预设数目个影响度对应的预设特征确定为所述影响特征。

可选地，所述第一确定模块23还用于根据以下方式确定每个所述预设特征对应的权重：

获取各所述预设特征的历史值以及对应的历史转化率；

将所述历史转化率作为因变量，将各所述预设特征的历史值作为自变量，训练转化率预测模型，得到各所述预设特征对应的权重。

本申请实施例还提供了一种影响特征确定装置，如图3所示，与图2中的装置相比，该装置还包括：第三确定模块25，所述第三确定模块25用于：

若所述影响特征中存在特征为设定特征，则基于当前工单量对应的各预设渠道的流量占比和上一个工单量对应的各预设渠道的流量占比，以及当前工单量对应的各预设渠道的转化率和上一个工单量对应的各预设渠道的转化率，确定各所述预设渠道对所述当前工单量对应的转化率的影响值；

输出落入预设影响值范围内的影响值对应的预设渠道。

对应于图1中的影响特征确定方法，本申请实施例还提供了一种计算机设备，如图4所示，该设备包括存储器1000、处理器2000及存储在该存储器1000上并可在该处理器2000上运行的计算机程序，其中，上述处理器2000执行上述计算机程序时实现上述影响特征确定方法的步骤。

具体地，上述存储器1000和处理器2000能够为通用的存储器和处理器，这里不做具体限定，当处理器2000运行存储器1000存储的计算机程序时，能够执行上述影响特征确定方法，用于解决现有技术中确定的影响特征准确度低的问题，本申请在确定当前工单量发生异常后，获取当前工单量对应的各预设特征的值，基于当前工单量对应的各预设特征的值，以及每个预设特征对应的权重，确定每个预设特征对当前工单量的影响度，根据影响度，从各预设特征中，确定导致所述当前工单量发生异常的影响特征。这样，提高了最终确定的影响特征的准确度。

对应于图2中的影响特征确定方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述影响特征确定方法的步骤。

具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述影响特征确定方法，用于解决现有技术中确定的影响特征准确度低的问题，本申请在确定当前工单量发生异常后，获取当前工单量对应的各预设特征的值，基于当前工单量对应的各预设特征的值，以及每个预设特征对应的权重，确定每个预设特征对当前工单量的影响度，根据影响度，从各预设特征中，确定导致所述当前工单量发生异常的影响特征。这样，提高了最终确定的影响特征的准确度。

在本发明所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置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，又例如，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信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，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，在本发明提供的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。

所述功能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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种影响特征确定方法，其特征在于，该方法包括：

获取当前工单量；

在确定所述当前工单量发生异常后，获取所述当前工单量对应的各预设特征的值；

基于所述当前工单量对应的各预设特征的值，以及每个所述预设特征对应的权重，确定每个预设特征对所述当前工单量的影响度；

根据各所述影响度，从各所述预设特征中，确定导致所述当前工单量发生异常的影响特征。

2.如权利要求1所述的方法，其特征在于，所述基于所述当前工单量对应的各预设特征的值，以及每个所述预设特征对应的权重，确定每个预设特征对所述当前工单量的影响度，包括：

针对每个预设特征，根据当前工单量对应的该预设特征的值和上一个工单量对应的该预设特征的值，确定所述当前工单量对应的该预设特征的波动值；

将各所述预设特征的波动值和对应的权重的乘积作为各预设特征对所述当前工单量的影响度。

3.如权利要求1所述的方法，其特征在于，所述根据各所述影响度，从各所述预设特征中，确定导致所述当前工单量发生异常的影响特征，包括：

按照影响度由大到小的顺序排序，将排序靠前的前预设数目个影响度对应的预设特征确定为所述影响特征。

4.如权利要求1所述的方法，其特征在于，根据以下方式确定每个所述预设特征对应的权重：

获取各所述预设特征的历史值以及对应的历史转化率；

将所述历史转化率作为因变量，将各所述预设特征的历史值作为自变量，训练转化率预测模型，得到各所述预设特征对应的权重。

5.如权利要求1所述的方法，其特征在于，在所述确定导致所述当前工单量发生异常的影响特征之后，还包括：

若所述影响特征中存在特征为设定特征，则基于当前工单量对应的各预设渠道的流量占比和上一个工单量对应的各预设渠道的流量占比，以及当前工单量对应的各预设渠道的转化率和上一个工单量对应的各预设渠道的转化率，确定各所述预设渠道对所述当前工单量对应的转化率的影响值；

输出落入预设影响值范围内的影响值对应的预设渠道。

6.一种影响特征确定装置，其特征在于，该装置包括：

第一获取模块，用于获取当前工单量；

第二获取模块，在确定所述当前工单量发生异常后，获取所述当前工单量对应的各预设特征的值；

第一确定模块，用于基于所述当前工单量对应的各预设特征的值，以及每个所述预设特征对应的权重，确定每个预设特征对所述当前工单量的影响度；

第二确定模块，用于根据所述影响度，从各所述预设特征中，确定导致所述当前工单量发生异常的影响特征。

7.如权利要求6所述的装置，其特征在于，所述第一确定模块具体用于：

针对每个预设特征，根据当前工单量对应的该预设特征的值和上一个工单量对应的该预设特征的值，确定所述当前工单量对应的该预设特征的波动值；

将各所述预设特征的波动值和对应的权重的乘积作为各预设特征对所述当前工单量的影响度。

8.如权利要求6所述的装置，其特征在于，所述第二确定模块具体用于：

按照影响度由大到小的顺序排序，将排序靠前的前预设数目个影响度对应的预设特征确定为所述影响特征。

9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至5任一项所述的方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1至5任一项所述的方法的步骤。