CN110163457A - 一种业务指标的异常定位方法和装置 - Google Patents
一种业务指标的异常定位方法和装置 Download PDFInfo
- Publication number
- CN110163457A CN110163457A CN201810151831.7A CN201810151831A CN110163457A CN 110163457 A CN110163457 A CN 110163457A CN 201810151831 A CN201810151831 A CN 201810151831A CN 110163457 A CN110163457 A CN 110163457A
- Authority
- CN
- China
- Prior art keywords
- dimension
- abnormal
- operational indicator
- under
- categories
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 321
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000004807 localization Effects 0.000 title claims abstract description 15
- 238000013139 quantization Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 9
- 230000003252 repetitive effect Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000006854 communication Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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指标的异常定位方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:对业务指标在各维度的数据表现特性进行量化,以根据所述量化的结果确定所述业务指标的异常维度;按照预设的异常值识别模型定位所述异常维度下导致所述业务指标数值异常的类别。该实施方式能够量化各维度成为异常维度的可能性,在错综复杂、数量庞大的业务维度中,自动化地快速定位导致异常的原因,减少分析师的重复性工作,且适合各种业务场景,可扩展性强。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种业务指标的异常定位方法和装置。
背景技术
当业务指标出现异常时,往往需要定位产生异常的原因。在自顶向下的异常分析中,当一个总体指标出现异常时,往往采用分各种维度进行分析的方法,定位异常产生的原因。例如在电商领域,当某天的订单总量发生异常,可以分“订单来源”、“订单类型”“用户级别”、“一级品类”、“地理区域”等多个维度,分别分析每个维度的异常状况,确定是由哪个维度引起的订单总量异常。对于分析师而言,需要分析不同维度的异常指标值,对每个维度进行重复判断,有时还会涉及到维度交叉的情况,使得异常定位变得更加耗时、复杂。
现有的技术方案,一般通过人工分析各维度,根据各维度下各类别(例如品类、品牌等)的异常表现情况,判断是否是由这个维度导致的总体异常,进而根据经验,判断是否需要进行向上或向下维度的钻取。例如,某天中,某一级品类订单量发生异常,经过分析发现,其他各维度下各类别均表现异常,而在二级品类维度中,只有某二级品类表现为异常,而其他二级品类均表现正常。则初步推断是由于该二级品类异常,导致的一级品类订单量异常。进而在该二级品类的基础上,进一步进行维度钻取,如查看该二级品类下的三级品类、品牌等。
还可以通过设定某维度下异常值的个数,占该维度下所有值个数的比例阈值,判定该维度是否是导致总体异常的原因。采用该种方法,可以避免部分人工重复操作,实现部分程度上的自动化。
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:
采用人工分析各个维度,工作量大、重复性工作较多、严重依赖分析师个人经验;
采用设定比例阈值的方法,阈值往往难以确定,在某一业务场景下设定的阈值,在另一场景下可能就不再适用。
发明内容
有鉴于此,本发明实施例提供一种业务指标的异常定位方法和装置,能够量化各维度成为异常维度的可能性,在错综复杂、数量庞大的业务维度中,自动化地快速定位导致异常的原因,减少分析师的重复性工作,且适合各种业务场景,可扩展性强。
为实现上述目的,根据本发明实施例的一个方面,提供了一种业务指标的异常定位方法。
一种业务指标的异常定位方法,包括:对业务指标在各维度的数据表现特性进行量化,以根据所述量化的结果确定所述业务指标的异常维度;按照预设的异常值识别模型定位所述异常维度下导致所述业务指标数值异常的类别。
可选地,对业务指标在各维度的数据表现特性进行量化,以根据所述量化的结果确定所述业务指标的异常维度的步骤,包括:将所述业务指标在各维度的数据表现特性分别量化为对应各维度的标准异常贡献方差和异常百分比方差;利用所述标准异常贡献方差和所述异常百分比方差,计算各维度的异常原因得分;根据所述异常原因得分确定所述业务指标的异常维度。
可选地,根据所述异常原因得分确定所述业务指标的异常维度的步骤,包括:对各维度的异常原因得分排序,将所述异常原因得分最高的维度确定为所述业务指标的异常维度。
可选地,将所述业务指标在各维度的数据表现特性分别量化为对应各维度的标准异常贡献方差和异常百分比方差的步骤,包括:根据各维度各类别下所述业务指标在数值异常日期的异常量,得到各维度下各类别的异常贡献度,其中,某一维度某一类别下所述业务指标在所述数值异常日期的异常量为:该类别下所述业务指标在所述数值异常日期的数值与该维度该类别下所述业务指标的基准取值的差值;将各维度下各类别的异常贡献度标准化,以得到各维度下各类别的标准异常贡献;对于每个维度,计算该维度下所有类别的标准异常贡献的方差,从而得到对应各维度的标准异常贡献方差;以及,根据各维度各类别下所述业务指标在所述数值异常日期的异常量,以及每个维度各类别下所述业务指标的基准取值,得到各维度下各类别的异常百分比;对于每个维度,计算该维度下所有类别的异常百分比的方差,从而得到对应各维度的异常百分比方差。
可选地,将各维度下各类别的异常贡献度标准化,以得到各维度下各类别的标准异常贡献的步骤,包括:根据各维度各类别下所述业务指标的基准取值,以及各维度所有类别下所述业务指标总量的基准取值,计算各维度下各类别的平均贡献度;利用各维度下各类别的所述异常贡献度和所述平均贡献度,计算所述各维度下各类别的标准异常贡献。
可选地,所述预设的异常值识别模型为基于箱线图的模型,按照预设的异常值识别模型定位所述异常维度下导致所述业务指标数值异常的类别的步骤,包括:利用预设统计指标确定所述业务指标在所述异常维度下每个类别的参考数值区间;根据所述参考数值区间,定位所述异常维度下导致所述业务指标数值异常的类别。
可选地,所述预设统计指标包括第一分位数、第三分位数、四分位间距,利用预设统计指标确定所述业务指标在所述异常维度下每个类别的参考数值区间的步骤,包括:计算在数值异常日期之前的预设时间区间内,所述异常维度的各类别下所述业务指标数值的第一分位数、第三分位数、四分位间距;根据计算得到的所述第一分位数、第三分位数、四分位间距,确定所述业务指标在所述异常维度下每个类别的参考数值区间。
根据本发明实施例的另一方面,提供了一种业务指标的异常定位装置。
一种业务指标的异常定位装置,包括:异常维度确定模块,用于对业务指标在各维度的数据表现特性进行量化,以根据所述量化的结果确定所述业务指标的异常维度;异常定位模块,用于按照预设的异常值识别模型定位所述异常维度下导致所述业务指标数值异常的类别。
可选地,异常维度确定模块还用于:将所述业务指标在各维度的数据表现特性分别量化为对应各维度的标准异常贡献方差和异常百分比方差;利用所述标准异常贡献方差和所述异常百分比方差,计算各维度的异常原因得分;根据所述异常原因得分确定所述业务指标的异常维度。
可选地,所述异常维度确定模块包括确定子模块,用于:对各维度的异常原因得分排序,将所述异常原因得分最高的维度确定为所述业务指标的异常维度。
可选地,所述异常维度确定模块包括量化子模块,用于:根据各维度各类别下所述业务指标在数值异常日期的异常量,得到各维度下各类别的异常贡献度,其中,某一维度某一类别下所述业务指标在所述数值异常日期的异常量为:该类别下所述业务指标在所述数值异常日期的数值与该维度该类别下所述业务指标的基准取值的差值;将各维度下各类别的异常贡献度标准化,以得到各维度下各类别的标准异常贡献;对于每个维度,计算该维度下所有类别的标准异常贡献的方差,从而得到对应各维度的标准异常贡献方差;以及,根据各维度各类别下所述业务指标在所述数值异常日期的异常量,以及每个维度各类别下所述业务指标的基准取值,得到各维度下各类别的异常百分比;对于每个维度,计算该维度下所有类别的异常百分比的方差,从而得到对应各维度的异常百分比方差。
可选地,所述量化子模块包括异常贡献度标准化单元,用于:根据各维度各类别下所述业务指标的基准取值,以及各维度所有类别下所述业务指标总量的基准取值,计算各维度下各类别的平均贡献度;利用各维度下各类别的所述异常贡献度和所述平均贡献度,计算所述各维度下各类别的标准异常贡献。
可选地,所述预设的异常值识别模型为基于箱线图的模型,所述异常定位模块还用于:利用预设统计指标确定所述业务指标在所述异常维度下每个类别的参考数值区间;根据所述参考数值区间,定位所述异常维度下导致所述业务指标数值异常的类别。
可选地,所述预设统计指标包括第一分位数、第三分位数、四分位间距,所述异常定位模块包括参考数值区间确定模块,用于:计算在数值异常日期之前的预设时间区间内,所述异常维度的各类别下所述业务指标数值的第一分位数、第三分位数、四分位间距;根据计算得到的所述第一分位数、第三分位数、四分位间距,确定所述业务指标在所述异常维度下每个类别的参考数值区间。
根据本发明实施例的又一方面,提供了一种电子设备。
一种电子设备,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本发明提供的业务指标的异常定位方法。
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,所述程序被处理器执行时实现本发明提供的业务指标的异常定位方法。
上述发明中的一个实施例具有如下优点或有益效果:对业务指标在各维度的数据表现特性进行量化,以根据量化的结果确定业务指标的异常维度;按照预设的异常值识别模型定位异常维度下导致业务指标数值异常的类别。能够量化各维度成为异常维度的可能性,在错综复杂、数量庞大的业务维度中,自动化地快速定位导致异常的原因,减少分析师的重复性工作,且适合各种业务场景,可扩展性强。
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指标的异常定位方法的主要步骤示意图;
图2是根据本发明实施例的业务指标的异常定位装置的主要模块示意图;
图3是本发明实施例可以应用于其中的示例性系统架构图;
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。
图1是根据本发明实施例的业务指标的异常定位方法的主要步骤示意图。
如图1所示,本发明实施例的业务指标的异常定位方法主要包括如下的步骤S101至步骤S102。业务指标的异常定位即定位导致业务指标异常的原因(该原因例如是某个维度下的某一个或多个类别)。下面结合电商领域的业务指标异常定位来详细说明本发明实施例的各步骤,本发明也可以适用于除电商领域之外的其他领域的对业务指标进行异常定位的场景。
步骤S101:对业务指标在各维度的数据表现特性进行量化,以根据量化的结果确定业务指标的异常维度。
本发明实施例的业务指标即为要定位异常的业务指标,如销量、父单量(即父订单的量)、销售额等。
维度用于从业务的多方面考察业务指标值,以便分析导致业务指标总体异常的原因,例如,当某天的订单总量发生异常,可以分“订单来源”、“订单类型”“用户级别”、“一级品类”、“地理区域”等多个维度,分别分析每个维度的异常状况,确定是由哪个维度引起的订单总量异常。每个维度下包括一个或多个类别,例如“一级品类”维度下可以包括“女装”、“男装”等多个类别。
如果一个维度是导致业务指标总体异常的原因,则该维度为业务指标的异常维度,除异常维度之外的其他维度,可以称之为非异常维度。
业务指标在各维度的数据表现特性具体为业务指标在各维度的具体数据表现。
当业务指标总体异常时,业务指标在各维度具有不同的具体数据表现。通常,如果一个维度是导致业务指标总体异常的原因,则是由于该维度下的某个或某几个类别产生了异常,从而导致了业务指标总体异常,表现为该维度各类别并不全部异常,只有某个或某几个类别是异常的。与之对应地,如果某维度不是导致业务指标总体异常的原因,是由于其他维度引起的业务指标总体异常,则该维度下的每个类别都会受此影响,表现为该维度下大部分或全部类别都是异常的。例如,“服饰内衣”一级品类在某天发生了销量异常,经过异常定位,发现是由于女装二级品类当天发生了销量异常,导致一级品类整体销量异常。数据表现为,二级品类维度下,只有女装一个二级品类(即女装类别)表现出了销量异常,其他二级品类销量正常。而在订单来源、地理区域等维度下,由于女装订单可以来源于APP(应用程序)、微信等各个渠道,也可以来源于各个省份,则在数据表现上,这些维度下的多个类别都是异常的。
由于上述的业务指标总体异常是由于上述的女装类别所在的二级品类维度导致的,因此该二级品类维度即为销量这一业务指标的异常维度。
本发明实施例基于异常维度在数据表现特性上的上述特点,采用“方差”来衡量维度的这种特性。对于业务指标的异常维度,那些导致异常的类别会大大不同于其他正常的类别,该维度整体会展现出分布不均匀的特点。而非异常维度,其类别受异常维度影响,则在变化幅度或其他异常指标上表现相似。因此,异常维度的方差,将大于非异常维度的方差。本发明实施例基于此思想,来进行异常定位的计算。
具体地,可以将业务指标在各维度的数据表现特性分别量化为对应各维度的标准异常贡献方差和异常百分比方差,利用标准异常贡献方差和异常百分比方差,计算各维度的异常原因得分,并根据异常原因得分确定业务指标的异常维度。
其中,将业务指标在各维度的数据表现特性量化为对应各维度的标准异常贡献方差的步骤,具体可以包括:根据各维度各类别下业务指标在数值异常日期的异常量,得到各维度下各类别的异常贡献度;将各维度下各类别的异常贡献度标准化,以得到各维度下各类别的标准异常贡献;对于每个维度,计算该维度下所有类别的标准异常贡献的方差,从而得到对应各维度的标准异常贡献方差。
其中,数值异常日期即要定位异常的业务指标在出现总体异常的日期。
某一维度某一类别下业务指标在数值异常日期的异常量为:该类别下业务指标在数值异常日期的数值与该维度该类别下业务指标的基准取值的差值。
各维度各类别下业务指标的基准取值可以通过如下方式计算得到:对数值异常日期之前,预设时间段内各维度各类别下业务指标的数值进行预设运算,即可以得到各维度各类别下业务指标的基准取值。
预设时间段可以自定义,具体如何定义可取决于业务实际需求。预设运算可以为计算均值或计算中位数。例如,计算某一维度某一类别下业务指标的基准取值,可以通过计算该维度该类别下业务指标值在数值异常日期之前15日(或30日)的均值或中位数,来得到该维度该类别下业务指标的基准取值。
以计算数值异常日期之前15日各维度各类别下业务指标值的中位数,作为各维度各类别下业务指标的基准取值为例。异常量的具体计算公式如下。
di=ni-mediani
其中,di为某一维度类别i下业务指标在数值异常日期当天的异常量;ni为该维度类别i下业务指标在数值异常日期当前的数值,mediani为在数值异常日期之前15日该维度类别i下业务指标值的中位数。例如,服饰内衣一级品类在2017年5月9日发生销量异常,考察当天女装二级品类下的异常量。“女装”即为二级品类维度下的一个类别,二级品类维度下女装类别的异常量为:2017年5月9日当天女装销量与女装在2017年5月9日的前15天(不包括2017年5月9日)的销量中位数之差。
某一维度某一类别的异常贡献度是在数值异常日期当天,该维度下该类别的异常量,占数值异常日期当天该维度下所有类别的异常量之和的比例。具体公式如下。
其中,Ci为该维度类别i的异常贡献度,di为该维度类别i的异常量,N为该维度下的类别数量。例如,服饰内衣一级品类在2017年5月9日发生销量异常,当天二级品类维度的取值是“女装”时,女装的异常贡献度为:当天女装所产生的销量异常,在所有二级品类的销量异常总和中的占比,可理解为女装的销量异常给总体销量异常带来的贡献。
将各维度下各类别的异常贡献度标准化,以得到各维度下各类别的标准异常贡献的步骤,具体可以包括:根据各维度各类别下业务指标的基准取值,以及各维度所有类别下业务指标总量的基准取值,计算各维度下各类别的平均贡献度;利用各维度下各类别的异常贡献度和平均贡献度,计算各维度下各类别的标准异常贡献。
其中,各维度所有类别下业务指标总量的基准取值可以通过如下方式计算得到:对数值异常日期之前,预设时间段内每一维度所有类别下业务指标的数值总和进行预设运算,即可以得到各维度所有类别下业务指标总量的基准取值。需要说明的是,该预设时间段的时间窗口应与计算各维度各类别下业务指标的基准取值所定义的预设时间段的时间窗口保持一致,例如二者的时间窗口应同为15日或30日等,该预设运算也与计算各维度各类别下业务指标的基准取值时所采用的运算方法一致,即二者应同为计算均值的方法或者计算中位数的方法。由于上述以计算数值异常日期之前15日各维度各类别下业务指标值的中位数,作为各维度各类别下业务指标的基准取值为例,因此此处某一维度某一类别下业务指标总量的基准取值也以计算数值异常日期之前15日的该维度所有类别下业务指标总量的中位数为例。
上述的某一维度某一类别的异常贡献度反映的是该维度该类别在数值异常日期当天的异常在总体异常中的占比。然而,仅求取异常贡献度的方差,不足以反映真实情况。因为在一个维度下,每一个类别对业务指标的贡献是不同的,如订单来源维度下,来自APP、微信、手Q(手机QQ,一种手机即时通信客户端)的订单占据了大部分的销量,而M端(移动客户端)和其他则占据了较小的销量。若女装二级品类是导致销量异常的原因,则APP、微信、手Q等占据大部分销量来源的维度取值,它们的异常贡献度势必会远远超过M端等体量小的维度取值的异常贡献度,造成该维度的方差增大。因此,仅考虑异常贡献度方差是不够的,需要将异常贡献度标准化,再进行方差计算。本发明实施例引入平均贡献度,以标准化每个维度取值的异常贡献度。平均贡献度反映了每个维度取值在特定业务指标下,占总体的平均重要程度。
某一维度某一类别的的平均贡献度可以通过如下公式计算。
其中,Ai表示该维度类别i的平均贡献度,mediani为该维度类别i的基准取值(以在数值异常日期之前15日该维度类别i下业务指标值的中位数为例),MEDIAN为该维度所有类别下业务指标总量的基准取值(以计算数值异常日期之前15日的该维度所有类别下业务指标总量的中位数为例)。例如,服饰内衣一级品类在2017年5月9日发生销量异常,女装二级品类的平均贡献度为:女装销量的前15日中位数,在服饰内衣总体销量的前15日中位数中的占比。这反映了女装占服饰内衣总体销量的平均重要程度。
计算出某一维度某一类别的异常贡献度与平均贡献度后,将异常贡献度除以平均贡献度,即得到该维度该类别的标准异常贡献。标准异常贡献的计算公式如下。
其中,Si是该维度类别i的标准异常贡献,Ci为该维度类别i的异常贡献度,Ai表示该维度类别i的平均贡献度。
计算该维度下所有类别的标准异常贡献的方差,即可以得到对应该维度的标准异常贡献方差。某维度I的标准异常贡献方差计算公式如下。
其中,Si是该维度类别i的标准异常贡献,μ1是该维度下所有类别的标准异常贡献的均值,N为该维度下的类别数量。
将业务指标在各维度的数据表现特性分别量化为对应各维度的异常百分比方差的步骤,具体可以包括:根据各维度各类别下业务指标在数值异常日期的异常量,以及每个维度各类别下业务指标的基准取值,得到各维度下各类别的异常百分比;对于每个维度,计算该维度下所有类别的异常百分比的方差,从而得到对应各维度的异常百分比方差。
异常百分比从另一个角度体现了业务指标的数值异常。某维度某类别的异常百分比的计算方式是,该维度该类别下业务指标在数值异常日期当天的异常量,与该维度该类别下业务指标的基准取值之比。某维度某类别的异常百分比是该维度该类别与自身相比的异常程度。异常百分比的计算公式如下。
其中,AnomalyPercentagei是该维度类别i的异常百分比,di为该维度类别i下业务指标在数值异常日期当天的异常量,mediani为该维度类别i的基准取值(以在数值异常日期之前15日该维度类别i下业务指标值的中位数为例)。
计算出各维度下各类别的异常百分比后,计算每个维度下所有类别的AnomalyPercentagei的方差,即可得到各维度的异常百分比方差。某维度I的异常百分比方差的计算公式如下。
其中,AnomalyPercentagei是该维度类别i的异常百分比,μ2是该维度下所有类别的异常百分比的均值,N为该维度下的类别数量。
通过上述计算得到的标准异常贡献方差和异常百分比方差,可以计算各维度的异常原因得分。本发明实施例从不同角度体现每一维度各类别下业务指标值分布的不均匀程度。其中,标准异常贡献是某一维度各类别下业务指标值之间的横向比较,异常百分比是某一维度某一类别与该类别自身业务指标值在时间上的纵向对比。本发明实施例通过取标准异常贡献方差和异常百分比方差二者的算术平均数,从而从横向与纵向两个方面,反映一个维度业务指标值的分布不均匀情况。某一维度的异常原因得分即为对应该维度的标准异常贡献方差和异常百分比方差的算术平均数。具体计算公式如下。
其中,ScoreI是维度I的异常原因得分,Si是该维度类别i的标准异常贡献,μ1是该维度下所有类别的标准异常贡献的均值,AnomalyPercentagei是该维度类别i的异常百分比,μ2是该维度下所有类别的异常百分比的均值,N为该维度下的类别数量。ScoreI的分值越高,说明该维度下业务指标值分布越不均匀,维度I各类别之间的业务指标值差异越大。
根据异常原因得分确定业务指标的异常维度,具体可以对各维度的异常原因得分排序,并将异常原因得分最高的维度确定为业务指标的异常维度。
步骤S102:按照预设的异常值识别模型定位异常维度下导致业务指标数值异常的类别。
在确定异常维度之后,需要进一步确定该维度下是哪些类别导致了业务指标总体异常。本发明实施例采用的预设的异常值识别模型可以为基于箱线图的模型。
按照基于箱线图的模型定位异常维度下导致业务指标数值异常的类别的步骤,具体可以包括:利用预设统计指标确定业务指标在异常维度下每个类别的参考数值区间;根据参考数值区间,定位异常维度下导致业务指标数值异常的类别。
预设统计指标可以包括第一分位数、第三分位数、四分位间距。
利用预设统计指标确定业务指标在所述异常维度下每个类别的参考数值区间的步骤,具体包括:计算在数值异常日期之前的预设时间区间内,异常维度各类别下业务指标数值的第一分位数、第三分位数、四分位间距;根据计算得到的第一分位数、第三分位数、四分位间距,确定业务指标在异常维度下每个类别的参考数值区间。
其中,对每一维度下每个类别,分别计算在数值异常日期之前w日(即预设时间区间)的业务指标的第一分位数Q1、第三分位数Q3,和四分位间距IQR(InterquartileRange)。“w”可以根据实际业务情况来确定,通常需要与计算基准取值(各维度各类别下业务指标的基准取值以及各维度所有类别下业务指标总量的基准取值)采用的时间窗口一致,因此,本发明实施例采用数值异常日期之前15日的业务指标进行计算。
根据第一分位数、第三分位数、四分位间距,确定业务指标在异常维度下每个类别的参考数值区间,具体可以通过如下方式确定某维度下某一类别的参考数值区间:
计算最大值区间:Q3+1.5*IQR
计算最小值区间:Q1–1.5*IQR
可以将最小值区间与最大值区间之间的区间作为该维度下该类别的参考数值区间(Q1–1.5*IQR,Q3+1.5*IQR)。
若在数值异常日期当天某维度某类别下业务指标值大于最大值区间,或小于最小值区间,即该业务指标值落在参考数值区间之外,则认为该维度该类别是导致业务指标总体异常的原因。若有多个维度下的类别超出对应的参考数值区间范围,则这些类别都是异常的,都是导致业务指标总体异常的原因。若某类别下业务指标值落在参考数值区间范围内,说明该维度该类别不是导致业务指标总体异常的原因。
例如,已定位到2017年5月9日,二级品类是导致总体销量异常的维度(异常维度)。那么对于所有二级品类,分别计算它们在2017年5月9日之前的15日销量的Q1、Q3和IQR。若5月9日当天,有男装、女装两个二级品类的销量超出Q3+1.5*IQR,则男装和女装是导致总体销量异常的原因。
本发明实施例能够量化各维度成为异常维度的可能性,在错综复杂、数量庞大的业务维度中,自动化地快速定位导致异常的原因,减少分析师的重复性工作,且适合各种业务场景,可扩展性强。
图2是根据本发明实施例的业务指标的异常定位装置的主要模块示意图。
如图2所示,本发明实施例的业务指标的异常定位装置200主要包括:异常维度确定模块201、异常定位模块202。
异常维度确定模块201用于对业务指标在各维度的数据表现特性进行量化,以根据量化的结果确定业务指标的异常维度。
异常维度确定模块201具体用于将业务指标在各维度的数据表现特性分别量化为对应各维度的标准异常贡献方差和异常百分比方差;利用标准异常贡献方差和异常百分比方差,计算各维度的异常原因得分;根据异常原因得分确定业务指标的异常维度。
异常维度确定模块201可以包括确定子模块,用于:对各维度的异常原因得分排序,将异常原因得分最高的维度确定为业务指标的异常维度。
异常维度确定模块201还可以包括量化子模块,用于:根据各维度各类别下业务指标在数值异常日期的异常量,得到各维度下各类别的异常贡献度,其中,某一维度某一类别下业务指标在数值异常日期的异常量为:该类别下业务指标在数值异常日期的数值与该维度该类别下业务指标的基准取值的差值;将各维度下各类别的异常贡献度标准化,以得到各维度下各类别的标准异常贡献;对于每个维度,计算该维度下所有类别的标准异常贡献的方差,从而得到对应各维度的标准异常贡献方差;以及,根据各维度各类别下业务指标在数值异常日期的异常量,以及每个维度各类别下业务指标的基准取值,得到各维度下各类别的异常百分比;对于每个维度,计算该维度下所有类别的异常百分比的方差,从而得到对应各维度的异常百分比方差。
量化子模块可以包括异常贡献度标准化单元,用于:根据各维度各类别下业务指标的基准取值,以及各维度所有类别下业务指标总量的基准取值,计算各维度下各类别的平均贡献度;利用各维度下各类别的异常贡献度和平均贡献度,计算各维度下各类别的标准异常贡献。
业务指标的异常定位装置200还可以包括基准取值确定模块,用于通过对数值异常日期之前,预设时间段内各维度各类别下业务指标的数值进行预设运算,得到各维度各类别下业务指标的基准取值;以及,通过对数值异常日期之前,预设时间段内每一维度所有类别下业务指标的数值总和进行预设运算,得到各维度所有类别下业务指标总量的基准取值。
异常定位模块202用于按照预设的异常值识别模型定位异常维度下导致业务指标数值异常的类别。
在确定异常维度之后,需要进一步确定该维度下是哪些类别导致了业务指标总体异常。本发明实施例采用的预设的异常值识别模型可以为基于箱线图的模型。
异常定位模块202具体用于利用预设统计指标确定业务指标在异常维度下每个类别的参考数值区间;根据参考数值区间,定位异常维度下导致业务指标数值异常的类别。
预设统计指标可以包括第一分位数、第三分位数、四分位间距。
异常定位模块202可以包括参考数值区间确定模块,用于:计算在数值异常日期之前的预设时间区间内,异常维度各类别下业务指标数值的第一分位数、第三分位数、四分位间距;根据计算得到的第一分位数、第三分位数、四分位间距,确定业务指标在异常维度下每个类别的参考数值区间。
其中,对每一维度下每个类别,分别计算在数值异常日期之前w日的业务指标的第一分位数Q1、第三分位数Q3,和四分位间距IQR(Interquartile Range)。“w”可以根据实际业务情况来确定,通常需要与计算基准取值(各维度各类别下业务指标的基准取值以及各维度所有类别下业务指标总量的基准取值)采用的时间窗口一致,因此,本发明实施例采用数值异常日期之前15日的业务指标进行计算。
根据第一分位数、第三分位数、四分位间距,确定业务指标在异常维度下每个类别的参考数值区间,具体可以通过如下方式确定某维度下某一类别的参考数值区间:
计算最大值区间:Q3+1.5*IQR
计算最小值区间:Q1–1.5*IQR
可以将最小值区间与最大值区间之间的区间作为该维度下该类别的参考数值区间(Q1–1.5*IQR,Q3+1.5*IQR)。
若在数值异常日期当天某维度某类别下业务指标值大于最大值区间,或小于最小值区间,即该业务指标值落在参考数值区间之外,则认为该维度该类别是导致业务指标总体异常的原因。若有多个维度下的类别超出对应的参考数值区间范围,则这些类别都是异常的,都是导致业务指标总体异常的原因。若某类别下业务指标值落在参考数值区间范围内,说明该维度该类别不是导致业务指标总体异常的原因。
另外,在本发明实施例中业务指标的异常定位装置的具体实施内容,在上面所述业务指标的异常定位方法中已经详细说明了,故在此重复内容不再说明。
图3示出了可以应用本发明实施例的业务指标的异常定位方法或业务指标的异常定位装置的示例性系统架构300。
如图3所示,系统架构300可以包括终端设备301、302、303,网络304和服务器305。网络304用以在终端设备301、302、303和服务器305之间提供通信链路的介质。网络304可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备301、302、303通过网络304与服务器305交互,以接收或发送消息等。终端设备301、302、303上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备301、302、303可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器305可以是提供各种服务的服务器,例如对用户利用终端设备301、302、303所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如产品信息)反馈给终端设备。
需要说明的是,本发明实施例所提供的业务指标的异常定位方法一般由服务器305执行,相应地,业务指标的异常定位装置一般设置于服务器305中。
应该理解,图3中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
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,上文参考主要步骤示意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主要步骤示意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。
附图中的主要步骤示意图和框图,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,主要步骤示意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,框图或主要步骤示意图中的每个方框、以及框图或主要步骤示意图中的方框的组合,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:一种处理器包括异常维度确定模块201、异常定位模块202。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,异常维度确定模块201还可以被描述为“用于对业务指标在各维度的数据表现特性进行量化,以根据量化的结果确定业务指标的异常维度的模块”。
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:对业务指标在各维度的数据表现特性进行量化,以根据所述量化的结果确定所述业务指标的异常维度;按照预设的异常值识别模型定位所述异常维度下导致所述业务指标数值异常的类别。
根据本发明实施例的技术方案,对业务指标在各维度的数据表现特性进行量化,以根据量化的结果确定业务指标的异常维度;按照预设的异常值识别模型定位异常维度下导致业务指标数值异常的类别。能够量化各维度成为异常维度的可能性,在错综复杂、数量庞大的业务维度中,自动化地快速定位导致异常的原因,减少分析师的重复性工作,且适合各种业务场景,可扩展性强。
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 (16)
1.一种业务指标的异常定位方法,其特征在于,包括:
对业务指标在各维度的数据表现特性进行量化,以根据所述量化的结果确定所述业务指标的异常维度;
按照预设的异常值识别模型定位所述异常维度下导致所述业务指标数值异常的类别。
2.根据权利要求1所述的方法,其特征在于,对业务指标在各维度的数据表现特性进行量化,以根据所述量化的结果确定所述业务指标的异常维度的步骤,包括:
将所述业务指标在各维度的数据表现特性分别量化为对应各维度的标准异常贡献方差和异常百分比方差;
利用所述标准异常贡献方差和所述异常百分比方差,计算各维度的异常原因得分;
根据所述异常原因得分确定所述业务指标的异常维度。
3.根据权利要求2所述的方法,其特征在于,根据所述异常原因得分确定所述业务指标的异常维度的步骤,包括:
对各维度的异常原因得分排序,将所述异常原因得分最高的维度确定为所述业务指标的异常维度。
4.根据权利要求2所述的方法,其特征在于,将所述业务指标在各维度的数据表现特性分别量化为对应各维度的标准异常贡献方差和异常百分比方差的步骤,包括:
根据各维度各类别下所述业务指标在数值异常日期的异常量,得到各维度下各类别的异常贡献度,其中,某一维度某一类别下所述业务指标在所述数值异常日期的异常量为:该类别下所述业务指标在所述数值异常日期的数值与该维度该类别下所述业务指标的基准取值的差值;
将各维度下各类别的异常贡献度标准化,以得到各维度下各类别的标准异常贡献;
对于每个维度,计算该维度下所有类别的标准异常贡献的方差,从而得到对应各维度的标准异常贡献方差;
以及,
根据各维度各类别下所述业务指标在所述数值异常日期的异常量,以及每个维度各类别下所述业务指标的基准取值,得到各维度下各类别的异常百分比;
对于每个维度,计算该维度下所有类别的异常百分比的方差,从而得到对应各维度的异常百分比方差。
5.根据权利要求4所述的方法,其特征在于,将各维度下各类别的异常贡献度标准化,以得到各维度下各类别的标准异常贡献的步骤,包括:
根据各维度各类别下所述业务指标的基准取值,以及各维度所有类别下所述业务指标总量的基准取值,计算各维度下各类别的平均贡献度;
利用各维度下各类别的所述异常贡献度和所述平均贡献度,计算所述各维度下各类别的标准异常贡献。
6.根据权利要求1所述的方法,其特征在于,所述预设的异常值识别模型为基于箱线图的模型,
按照预设的异常值识别模型定位所述异常维度下导致所述业务指标数值异常的类别的步骤,包括:
利用预设统计指标确定所述业务指标在所述异常维度下每个类别的参考数值区间;
根据所述参考数值区间,定位所述异常维度下导致所述业务指标数值异常的类别。
7.根据权利要求6所述的方法,其特征在于,所述预设统计指标包括第一分位数、第三分位数、四分位间距,
利用预设统计指标确定所述业务指标在所述异常维度下每个类别的参考数值区间的步骤,包括:
计算在数值异常日期之前的预设时间区间内,所述异常维度的各类别下所述业务指标数值的第一分位数、第三分位数、四分位间距;
根据计算得到的所述第一分位数、第三分位数、四分位间距,确定所述业务指标在所述异常维度下每个类别的参考数值区间。
8.一种业务指标的异常定位装置,其特征在于,包括:
异常维度确定模块,用于对业务指标在各维度的数据表现特性进行量化,以根据所述量化的结果确定所述业务指标的异常维度;
异常定位模块,用于按照预设的异常值识别模型定位所述异常维度下导致所述业务指标数值异常的类别。
9.根据权利要求8所述的装置,其特征在于,异常维度确定模块还用于:
将所述业务指标在各维度的数据表现特性分别量化为对应各维度的标准异常贡献方差和异常百分比方差;
利用所述标准异常贡献方差和所述异常百分比方差,计算各维度的异常原因得分;
根据所述异常原因得分确定所述业务指标的异常维度。
10.根据权利要求9所述的装置,其特征在于,所述异常维度确定模块包括确定子模块,用于:
对各维度的异常原因得分排序,将所述异常原因得分最高的维度确定为所述业务指标的异常维度。
11.根据权利要求9所述的装置,其特征在于,所述异常维度确定模块包括量化子模块,用于:
根据各维度各类别下所述业务指标在数值异常日期的异常量,得到各维度下各类别的异常贡献度,其中,某一维度某一类别下所述业务指标在所述数值异常日期的异常量为:该类别下所述业务指标在所述数值异常日期的数值与该维度该类别下所述业务指标的基准取值的差值;
将各维度下各类别的异常贡献度标准化,以得到各维度下各类别的标准异常贡献;
对于每个维度,计算该维度下所有类别的标准异常贡献的方差,从而得到对应各维度的标准异常贡献方差;
以及,
根据各维度各类别下所述业务指标在所述数值异常日期的异常量,以及每个维度各类别下所述业务指标的基准取值,得到各维度下各类别的异常百分比;
对于每个维度,计算该维度下所有类别的异常百分比的方差,从而得到对应各维度的异常百分比方差。
12.根据权利要求11所述的装置,其特征在于,所述量化子模块包括异常贡献度标准化单元,用于:
根据各维度各类别下所述业务指标的基准取值,以及各维度所有类别下所述业务指标总量的基准取值,计算各维度下各类别的平均贡献度;
利用各维度下各类别的所述异常贡献度和所述平均贡献度,计算所述各维度下各类别的标准异常贡献。
13.根据权利要求8所述的装置,其特征在于,所述预设的异常值识别模型为基于箱线图的模型,
所述异常定位模块还用于:
利用预设统计指标确定所述业务指标在所述异常维度下每个类别的参考数值区间;
根据所述参考数值区间,定位所述异常维度下导致所述业务指标数值异常的类别。
14.根据权利要求13所述的装置,其特征在于,所述预设统计指标包括第一分位数、第三分位数、四分位间距,
所述异常定位模块包括参考数值区间确定模块,用于:
计算在数值异常日期之前的预设时间区间内,所述异常维度的各类别下所述业务指标数值的第一分位数、第三分位数、四分位间距;
根据计算得到的所述第一分位数、第三分位数、四分位间距,确定所述业务指标在所述异常维度下每个类别的参考数值区间。
15.一种电子设备,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1-7中任一所述的方法。
16.一种计算机可读介质,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1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810151831.7A CN110163457A (zh) | 2018-02-14 | 2018-02-14 | 一种业务指标的异常定位方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810151831.7A CN110163457A (zh) | 2018-02-14 | 2018-02-14 | 一种业务指标的异常定位方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110163457A true CN110163457A (zh) | 2019-08-23 |
Family
ID=67635517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810151831.7A Pending CN110163457A (zh) | 2018-02-14 | 2018-02-14 | 一种业务指标的异常定位方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163457A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111026570A (zh) * | 2019-11-01 | 2020-04-17 | 支付宝(杭州)信息技术有限公司 | 用于确定业务系统异常原因的方法和装置 |
CN112215471A (zh) * | 2020-09-17 | 2021-01-12 | 支付宝(杭州)信息技术有限公司 | 指标的异动检测方法及装置 |
CN112732824A (zh) * | 2021-01-15 | 2021-04-30 | 绿瘦健康产业集团有限公司 | 一种指标数据可视化系统 |
CN112988443A (zh) * | 2021-03-16 | 2021-06-18 | 上海哔哩哔哩科技有限公司 | 业务异常的处理方法及装置 |
CN113255929A (zh) * | 2021-05-27 | 2021-08-13 | 支付宝(杭州)信息技术有限公司 | 异常用户可解释原因的获取方法和装置 |
CN113626497A (zh) * | 2021-08-03 | 2021-11-09 | 上海哥瑞利软件股份有限公司 | 一种基于箱线图的半导体问题机台定位系统和定位方法 |
CN113722186A (zh) * | 2021-09-07 | 2021-11-30 | 北京奇艺世纪科技有限公司 | 一种异常检测方法、装置、电子设备及存储介质 |
CN116227995A (zh) * | 2023-02-06 | 2023-06-06 | 北京三维天地科技股份有限公司 | 一种基于机器学习的指标分析方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030028546A1 (en) * | 2001-06-13 | 2003-02-06 | International Business Machines Corporation | Technique for determination of an exception in multi-dimensional data |
CN104915846A (zh) * | 2015-06-18 | 2015-09-16 | 北京京东尚科信息技术有限公司 | 一种电子商务时间序列数据的异常检测方法及系统 |
CN105610647A (zh) * | 2015-12-30 | 2016-05-25 | 华为技术有限公司 | 一种探测业务异常的方法和服务器 |
CN105873113A (zh) * | 2015-01-21 | 2016-08-17 | 中国移动通信集团福建有限公司 | 无线质量问题定位方法及系统 |
US20170076202A1 (en) * | 2015-09-16 | 2017-03-16 | Adobe Systems Incorporated | Identifying audiences that contribute to metric anomalies |
CN107154880A (zh) * | 2016-03-03 | 2017-09-12 | 阿里巴巴集团控股有限公司 | 系统监控方法及装置 |
-
2018
- 2018-02-14 CN CN201810151831.7A patent/CN110163457A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030028546A1 (en) * | 2001-06-13 | 2003-02-06 | International Business Machines Corporation | Technique for determination of an exception in multi-dimensional data |
CN105873113A (zh) * | 2015-01-21 | 2016-08-17 | 中国移动通信集团福建有限公司 | 无线质量问题定位方法及系统 |
CN104915846A (zh) * | 2015-06-18 | 2015-09-16 | 北京京东尚科信息技术有限公司 | 一种电子商务时间序列数据的异常检测方法及系统 |
US20170076202A1 (en) * | 2015-09-16 | 2017-03-16 | Adobe Systems Incorporated | Identifying audiences that contribute to metric anomalies |
CN105610647A (zh) * | 2015-12-30 | 2016-05-25 | 华为技术有限公司 | 一种探测业务异常的方法和服务器 |
CN107154880A (zh) * | 2016-03-03 | 2017-09-12 | 阿里巴巴集团控股有限公司 | 系统监控方法及装置 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111026570A (zh) * | 2019-11-01 | 2020-04-17 | 支付宝(杭州)信息技术有限公司 | 用于确定业务系统异常原因的方法和装置 |
CN111026570B (zh) * | 2019-11-01 | 2022-05-31 | 支付宝(杭州)信息技术有限公司 | 用于确定业务系统异常原因的方法和装置 |
CN112215471A (zh) * | 2020-09-17 | 2021-01-12 | 支付宝(杭州)信息技术有限公司 | 指标的异动检测方法及装置 |
CN112732824A (zh) * | 2021-01-15 | 2021-04-30 | 绿瘦健康产业集团有限公司 | 一种指标数据可视化系统 |
CN112988443A (zh) * | 2021-03-16 | 2021-06-18 | 上海哔哩哔哩科技有限公司 | 业务异常的处理方法及装置 |
CN113255929A (zh) * | 2021-05-27 | 2021-08-13 | 支付宝(杭州)信息技术有限公司 | 异常用户可解释原因的获取方法和装置 |
CN113626497A (zh) * | 2021-08-03 | 2021-11-09 | 上海哥瑞利软件股份有限公司 | 一种基于箱线图的半导体问题机台定位系统和定位方法 |
CN113722186A (zh) * | 2021-09-07 | 2021-11-30 | 北京奇艺世纪科技有限公司 | 一种异常检测方法、装置、电子设备及存储介质 |
CN113722186B (zh) * | 2021-09-07 | 2023-10-27 | 北京奇艺世纪科技有限公司 | 一种异常检测方法、装置、电子设备及存储介质 |
CN116227995A (zh) * | 2023-02-06 | 2023-06-06 | 北京三维天地科技股份有限公司 | 一种基于机器学习的指标分析方法及系统 |
CN116227995B (zh) * | 2023-02-06 | 2023-09-12 | 北京三维天地科技股份有限公司 | 一种基于机器学习的指标分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163457A (zh) | 一种业务指标的异常定位方法和装置 | |
CN110689268B (zh) | 一种提取指标的方法和装置 | |
CN112016796A (zh) | 综合风险评分请求处理方法、装置及电子设备 | |
CN113254542A (zh) | 数据可视化处理方法及装置、电子设备 | |
CN112418721A (zh) | 指标确定方法和装置 | |
CN111598360A (zh) | 服务策略确定方法、装置及电子设备 | |
CN110390587A (zh) | 一种客户评价方法和系统 | |
CN109961199A (zh) | 一种分析数据波动的方法和装置 | |
CN112950359B (zh) | 一种用户识别方法和装置 | |
CN111724185A (zh) | 用户维护方法和装置 | |
CN110197316B (zh) | 运营数据的处理方法、装置、计算机可读介质及电子设备 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN115145587A (zh) | 一种产品参数校验方法、装置、电子设备及存储介质 | |
CN112131257B (zh) | 数据查询方法和装置 | |
CN114817347A (zh) | 业务审批方法、装置、电子设备和存储介质 | |
CN112016791A (zh) | 资源分配方法、装置及电子设备 | |
CN113434754A (zh) | 确定推荐api服务的方法、装置、电子设备和存储介质 | |
CN110019165A (zh) | 一种清洗异常数据的方法和装置 | |
CN109726882A (zh) | 一种对对象进行评价的方法和装置 | |
KR102449831B1 (ko) | 신규 텍스트에 대한 정보를 제공하는 전자 장치, 신규 텍스트를 확인하는 서버 및 그 동작 방법 | |
CN116362866A (zh) | 汽车分期预授信额度的确定方法、系统和装置 | |
CN114240027A (zh) | 一种基于供应链大数据的资源分配方法、装置及电子设备 | |
CN114066513A (zh) | 一种用户分类的方法和装置 | |
CN116703487A (zh) | 基于人工智能的数据分析方法、装置、设备及存储介质 | |
CN113034270A (zh) | 信贷风险预警方法和装置 |
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 |