CN110189159A - 数据评估方法、装置、电子设备及存储介质 - Google Patents

数据评估方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN110189159A
CN110189159A CN201910318640.XA CN201910318640A CN110189159A CN 110189159 A CN110189159 A CN 110189159A CN 201910318640 A CN201910318640 A CN 201910318640A CN 110189159 A CN110189159 A CN 110189159A
Authority
CN
China
Prior art keywords
data
target object
evaluation
characteristic
value
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
CN201910318640.XA
Other languages
English (en)
Inventor
王雁
万金伟
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.)
Shanghai Lazhasi Information Technology Co Ltd
Original Assignee
Shanghai Lazhasi Information 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 Shanghai Lazhasi Information Technology Co Ltd filed Critical Shanghai Lazhasi Information Technology Co Ltd
Priority to CN201910318640.XA priority Critical patent/CN110189159A/zh
Publication of CN110189159A publication Critical patent/CN110189159A/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
    • G06Q30/0203—Market surveys; Market polls
    • 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
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (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)

Abstract

本发明实施例涉及互联网技术领域，公开了一种数据评估方法、装置、电子设备及存储介质。所述数据评估方法包括：根据目标对象的位置确定目标对象的辐射范围；识别出辐射范围内与目标对象相关的对象，作为参考对象；根据参考对象的特征数据，得到目标对象的第一评估数据。采用本发明的实施方式，能够获取目标对象的第一评估数据。

Description

数据评估方法、装置、电子设备及存储介质
技术领域
本发明实施例涉及互联网技术领域，特别涉及数据评估方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的快速发展，越来越多的人选择使用在线购物这一新型的购物方式，这也给商户提供了更多的商机。然而，目前还有很多商户没有加入线上销售平台，线上销售平台为了为商户提供更好的线上服务，会派工作人员与商户洽谈。
然而发明人发现现有技术中至少存在如下问题：工作人员在与商户进行洽谈时，只能凭借自身的工作经验与商户洽谈，效率较低。
发明内容
本发明实施方式的目的在于提供一种数据评估方法、装置、电子设备及存储介质，能够获取目标对象的第一评估数据。
为解决上述技术问题，本发明的实施方式提供了一种数据评估方法，包括：根据目标对象的位置确定目标对象的辐射范围；识别出辐射范围内与目标对象相关的对象，作为参考对象；根据参考对象的特征数据，得到目标对象的第一评估数据。
本发明的实施方式还提供了一种数据评估装置，包括：确定模块，用于根据目标对象的位置确定目标对象的辐射范围；识别模块，用于识别出辐射范围内与目标对象相关的对象，作为参考对象；第一评估模块，用于根据参考对象的特征数据，得到目标对象的第一评估数据。
本发明的实施方式还提供了一种电子设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行：根据目标对象的位置确定目标对象的辐射范围；识别出辐射范围内与目标对象相关的对象，作为参考对象；根据参考对象的特征数据，得到目标对象的第一评估数据。
本发明的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述数据评估方法。
本发明实施方式相对于现有技术而言，能够根据目标对象的位置确定目标对象的辐射范围，再识别出辐射范围内与目标对象相关的对象，作为参考对象，最后再根据参考对象的特征数据，得到目标对象的第一评估数据，即能够获取目标对象的第一评估数据，以通过第一评估数据了解目标对象的情况。
另外，可选地，根据参考对象的特征数据，得到目标对象的第一评估数据，包括：根据参考对象的特征数据，得到目标对象的第一评估值；其中，第一评估数据包括第一评估值。本实施方式提供了一种计算第一评估数据中的第一评估值的具体实现方式。
另外，可选地，在根据参考对象的特征数据，得到目标对象的第一评估值之后，还包括：根据目标对象的第一评估值和预获取的目标对象的特征值，计算目标对象的第二评估值；其中，第一评估数据还包括第二评估值。本实施方式提供了一种计算第一评估数据中的第二评估值的具体实现方式。
另外，可选地，特征数据包括多个特征参数，且每个特征参数具有参数值；根据参考对象的特征数据，得到目标对象的第一评估值，包括：对参考对象的各特征参数的参数值进行归一化处理，以得到各特征参数的归一化值；以各特征参数的归一化值为变量，采用预设的多元线性回归模型得到目标对象的第一评估值。本实施方式提供了一种根据参考对象的特征数据，得到目标对象的第一评估值的具体实现方式。
另外，可选地，参考对象的数量为多个；对参考对象的多个特征参数的参数值进行归一化处理，以得到多个特征参数的归一化值，包括：对于每个特征参数，根据多个参考对象中的特征参数的参数值，得到特征参数的第三评估值；对多个特征参数的第三评估值进行归一化处理，以得到多个特征参数的归一化值。本实施方式提供了一种对参考对象的多个特征参数的参数值进行归一化处理，以得到多个特征参数的归一化值的具体实现方式。
另外，可选地，根据多个参考对象中的特征参数的参数值，得到特征参数的第三评估值，具体为：计算多个参考对象中的特征参数的参数值的平均值，作为特征参数的第三评估值。本实施方式提供了一种根据多个参考对象中的特征参数的参数值，得到特征参数的第三评估值的具体实现方式。
另外，可选地，根据目标对象的特征数据，得到目标对象的第二评估数据。本实施方式能够获取目标对象的第二评估数据，以便于通过第二评估数据进一步了解目标对象的情况。
另外，可选地，第二评估数据包括目标对象的订单量和/或目标对象的营业额。本实施方式提供了第二评估数据的具体内容。
另外，可选地，目标对象的数量为多个；在根据目标对象的特征数据，得到目标对象的第二评估数据之后，还包括：结合第一评估数据与第二评估数据，得到多个目标对象的优先级顺序。本实施方式中，能够结合第一评估数据与第二评估数据，获取多个目标对象的优先级顺序。
另外，可选地，特征数据包括多个特征参数的参数值；根据目标对象的特征数据，得到目标对象的第二评估数据，具体为：以目标对象的多个特征参数的参数值为自变量，采用预设的多元回归模型得到目标对象的第二评估数据。本实施方式提供了一种根据目标对象的特征数据，得到目标对象的第二评估数据的具体实现方式。
另外，可选地，在根据目标对象的位置确定目标对象的辐射范围之前，还包括：从预设区域内识别出目标对象。本实施方式提供了一种识别目标对象的具体实现方式。
另外，可选地，识别出的目标对象的数量为多个；在根据参考对象的特征数据，得到目标对象的第一评估数据之后，还包括：将区域内的多个目标对象按照第一评估数据进行排序。本实施方式中，对区域内的多个目标对象按照第一评估数据进行排序，便于对比多个目标对象的情况。
另外，可选地，与目标对象相关的对象包括：与目标对象品类相同的对象。本实施方式中，以与目标对象品类相同的对象作为参考对象，以获取更为准确的第一评估数据。
另外，可选地，第一评估值为目标对象的订单量，第二评估值为目标对象的营业额。本实施方式提供了第一评估值与第二评估值的具体类型。
另外，可选地，特征数据包括多个特征参数，且特征参数为以下任意之一：营业额、订单量、餐品数量、配送费、每笔订单的均价、起送价。本实施方式提供了特征数据的特征参数的具体类型。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定。
图1是根据本发明第一实施方式的数据评估方法的流程图；
图2是根据本发明第二实施方式的数据评估方法的流程图；
图3是根据本发明第三实施方式的数据评估方法的流程图；
图4是根据本发明第四实施方式的数据评估方法的流程图；
图5是根据本发明第五实施方式的数据评估装置的结构图；
图6是根据本发明第六实施方式的数据评估装置的结构图；
图7是根据本发明第七实施方式的数据评估装置的结构图；
图8是根据本发明第八实施方式的数据评估装置的结构图；
图9是根据本发明第九实施方式的电子设备的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本发明的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。
本发明的第一实施方式涉及一种数据评估方法，应用于电子设备，电子设备例如为手机、平板电脑、台式电脑等。
本实施方式的数据评估方法的具体流程如图1所示。
步骤101，根据目标对象的位置确定目标对象的辐射范围。
具体而言，目标对象可以为尚未开设线上销售渠道的商户，为了获取目标对象周边商圈内商户的经营状况，根据目标对象的位置，以该目标对象的位置为中心，确定目标对象覆盖的辐射范围，辐射范围至少覆盖目标对象周边的大部分商户，以确保辐射范围较为合理。例如，以目标对象的位置为圆心，作一个预设半径的圆，将该圆作为目标对象的辐射范围。
步骤102，识别出辐射范围内与目标对象相关的对象，作为参考对象。
具体而言，与目标对象相关的对象可以为与目标对象属于同一大品类的对象，较佳的，与目标对象相关的对象为与目标对象品类相同的对象，更具有参考意义，然后识别出目标对象的辐射范围与目标对象相关的对象，作为参考对象。例如，目标对象是做馄饨的商户，目标对象属于的大品类为早餐，与目标对象相关的对象可以为做早餐的商户，例如做粥的商户，则辐射范围内做早餐的商户为参考对象；较佳的，与目标对象相关的对象也是做馄饨的商户，则辐射范围内做馄饨的商户为参考对象。其中，参考对象可以为已开通线上销售渠道的商户。
步骤103，根据参考对象的特征数据，得到目标对象的第一评估数据。
具体而言，参考对象的特征数据为参考对象在预设线上销售平台上的销售数据，从而可以根据参考对象的特征数据，得到目标对象的第一评估数据，第一评估数据能够表征目标对象在预设线上销售平台上线后的线上销售情况。
其中，特征数据可以包括多个特征参数，且特征参数为以下任意之一：营业额、订单量、餐品数量、配送费、每笔订单的均价、起送价。特征参数还可以为配送时长、用户点评星级、用户评分、用户点评数量、高峰营业时长、餐品数量等。
本实施方式相对于现有技术而言，能够根据目标对象的位置确定目标对象的辐射范围，再识别出辐射范围内与目标对象相关的对象，作为参考对象，最后再根据参考对象的特征数据，得到目标对象的第一评估数据，即能够获取目标对象的第一评估数据，以通过第一评估数据了解目标对象的情况。
本发明的第二实施方式涉及一种数据评估方法，本实施方式与第一实施方式大致相同，具体区别之处在于，在本发明第二实施方式中，对如何计算得到第一评估数据的第一评估值与第二评估值做了进一步细化。
本实施方式的数据评估方法的具体流程如图2所示。
其中，步骤201、步骤202与步骤101、步骤102大致相同，主要不同之处在于，步骤203包括以下子步骤：
子步骤2031，根据参考对象的特征数据，得到目标对象的第一评估值。
具体而言，特征数据包括多个特征参数，且每个特征参数具有参数值；首先，对参考对象的各特征参数的参数值进行归一化处理，以得到各特征参数的归一化值，当参考对象的数量为多个时，对于每个特征参数，根据多个参考对象中的特征参数的参数值，得到特征参数的第三评估值，从而可以得到包括多个特征参数的第三评估值，形成一组特征参数，再对多个特征参数的第三评估值进行归一化处理，以得到多个特征参数的归一化值。
其中，可以计算多个参考对象中的特征参数的参数值的平均值，作为特征参数的第三评估值，然不限于此，也可以以多个参考对象中的特征参数的参数的中位数作为特征参数的第三评估值。
然后，以各特征参数的归一化值为自变量，采用预设的多元线性回归模型得到目标对象的第一评估值。
多元线性回归模型的获取方法如下：
以第一评估值为因变量、特征数据的多个特征参数作为自变量，设定自变量与因变量之间的线性关系，建立带有未知回归参数的多元线性回归模型，如下：
Y＝β0+β1X1+β2X2+···+βnXn+a
其中，Y表示第一评估值，X1，...,Xn表示n各自变量，β0，...,βn表示n+1个未知回归参数，n为大于或等于1的自然数，a表示随机误差，随机误差是一个期望值或平均值为0的随机变量，服从正态分布。
根据上述多元线性回归模型，得到多元线性回归方程，如下：
Y’＝β0+β1X1’+β2X2’+···+βnXn’+a
采集n+1个参考对象的特征数据(即参考对象在预设线上销售平台的销售数据)以及目标对象在其他销售渠道的销售数据，该其他销售渠道的销售数据可以为其他线上销售平台上的销售数据或者线下的销售数据，该其他销售渠道的销售数据可以由目标对象提供，或者可以通过正常公开渠道获取，该其他销售渠道的销售数据包括与目标对象的第一评估值属性相同的参数的值，将一个参考对象的n个特征参数的参数值X1，...,Xn、与目标对象的第一评估值属性相同的参数的值Y作为一组样本值，即以(X1,X2,…,Xn,Y)作为一组样本值，基于n+1个参考对象则能够获得n+1组样本值，采用最小平方法利用n+1组样本值，计算出n+1个回归参数的估计值，从而得到多元线性回归模型。举例来说，多元线性回归方程为四元线性回归方程，如下：
Y’＝β0+β1X1’+β2X2’+β3X3’+a
参考对象有A、B、C、D四个，每个参考对象的特征数据中包括三个特征参数，四个参考对象分别表示为(XA1，XA2，XA3)、(XB1，XB2，XB3)、(XC1，XC2，XC3)、(XD1，XD2，XD3)，与目标对象的第一评估值属性相同的参数的值用YM表示，从而可以得到四组样本值：(XA1，XA2，XA3，YM)、(XB1，XB2，XB3，YM)、(XC1，XC2，XC3，YM)、(XD1，XD2，XD3，YM)，将四组样本值代入上面的四元线性回归方程，可以计算出四个回归参数β0、β1、β2、β3的估计值，从而能够得到三元线性回归模型。
以参考对象的数量为多个，参考对象的特征数据包括三个特征参数：营业额、订单量、餐品数量，为例进行说明，具体如下：
从预设线上销售平台获取多个参考对象的三个特征参数，三个特征参数例如包括营业额、订单量、餐品数量；计算多个参考对象的营业额的平均值、订单量的平均值、餐品数量的平均值；然后对营业额的平均值、订单量的平均值、餐品数量的平均值分别进行归一化处理，得到营业额、订单量、餐品数量的归一化值；再以营业额、订单量、餐品数量的归一化值为变量，采用预设的多元线性回归模型预估目标对象的第一评估值，以预估目标对象加入预设线上销售平台后的销售情况，第一评估值可以为订单量。
子步骤2032，根据目标对象的第一评估值和预获取的目标对象的特征值，计算目标对象的第二评估值。
具体而言，若第一评估值为订单量，则目标对象的特征值为每笔订单的均价，以订单量乘以每笔订单的均价，可以得到目标对象的第二评估值，即目标对象的营业额。
需要说明的是，本实施方式中以第一评估数据包括第一评估值与第二评估值为例进行说明，然不限于此，第一评估数据也可以仅包括第一评估值。
本实施方式相对于第一实施方式而言，提供了计算目标对象的第一评估值与第二评估值的具体方式。
本发明的第三实施方式涉及一种数据评估方法，本实施方式是在第一实施方式基础上的改进，主要改进之处在于：在本实施方式中，能够根据目标对象的特征数据，得到目标对象的第二评估数据。
本实施方式的数据评估方法的具体流程如图3所示。
其中，步骤301至步骤303与步骤101至步骤103大致相同，在此不再赘述，主要不同之处在于，增加了步骤304与步骤305，具体如下：
步骤304，根据目标对象的特征数据，得到目标对象的第二评估数据。
具体而言，目标对象的特征数据为目标对象在其他销售渠道的销售数据，该销售数据可以为其他线上销售平台上的销售数据或者线下的销售数据，该销售数据可以由目标对象提供，或者可以通过正常公开渠道获取，从而可以根据目标对象的特征数据，得到目标对象的第二评估数据，第二评估数据同样能够表征目标对象在预设线上销售平台上线后的线上销售情况。
更具体的，以目标对象的多个特征参数的参数值为自变量，采用预设的多元回归模型得到目标对象的第二评估数据，目标对象的多个特征参数的参数值可以从目标对象其他销售渠道上销售数据中获得，将多个特征参数的参数值输入预设的多元回归模型，输出的结果即为目标对象的第二评估数据。其中，多元回归模型的获取方法与第二实施方式中用于计算第一评估值的多元线性回归模型的获取方法类似，即：用多个参考对象在预设线上销售平台的特征数据以及目标对象在其他销售渠道的与第二评估数据属性相同的销售数据作为模型训练的样本，在此不再赘述。
以目标对象的特征数据包括三个特征参数：营业额、订单量、餐品数量，为例进行说明，具体如下：
从其他销售渠道获取目标对象的三个特征参数，三个特征参数例如包括营业额、订单量、餐品数量；对目标对象的营业额、订单量、餐品数量分别进行归一化处理，得到营业额、订单量、餐品数量的归一化值；再以营业额、订单量、餐品数量的归一化值为变量，采用预设的多元线性回归模型预估目标对象的第二评估数据，以预估目标对象在预设线上销售平台上线后的线上销售情况，第二评估数据可以包括订单量，继而可以以订单量乘以每笔订单的均价，可以得到目标对象的营业额，第二评估数据还包括目标对象的营业额。
其中，特征数据可以包括多个特征参数，且特征参数为以下任意之一：营业额、订单量、餐品数量、配送费、每笔订单的均价、起送价。特征参数还可以为配送时长、用户点评星级、用户评分、用户点评数量、高峰营业时长、餐品数量、是否申请加入线上销售渠道等。
步骤305，结合第一评估数据与第二评估数据，得到多个目标对象的优先级顺序。
具体而言，由上可知，用于计算第一评估数据与第二评估数据的多元线性回归模型是类似的，只是输入到多元线性回归模型的特征数据不同，计算第一评估数据时输入到多元线性回归模型的是参考对象的特征数据，计算第二评估数据时输入到多元线性回归模型的是目标对象的特征数据，从而第一评估数据与第二评估数据能够从两个方面衡量目标对象在预设线上销售平台上线后的线上销售情况，继而结合目标对象的第一评估数据与第二评估数据，获取目标对象的一个综合评估值，从而可以对多个目标对象的优先级进行排列，获取多个目标对象的优先级顺序。举例来说，以第一评估数据包括订单量、第二评估数据包括订单量为例，计算各目标对象第一评估数据中的订单量与第二评估数据中的订单量的平均值，将多个目标对象按照订单量的平均值进行排序。
本实施方式相对于第一实施方式而言，能够根据目标对象的特征数据，得到目标对象的第二评估数据；并且，能够结合第一评估数据与第二评估数据，对多个目标对象进行优先级排序。需要说明的是，本实施方式也可以作为在第二实施方式基础上的改进，可以达到同样的技术效果。
本发明第四实施方式涉及一种数据评估方法，第四实施方式与第一实施方式大致相同，主要区别之处在于：将多个目标对象按照第一评估数据进行排序。
本实施方式的数据评估方法的具体流程如图4所示。
其中，步骤402至步骤404与步骤101至步骤103大致相同，在此不再赘述，主要不同之处在于，增加了步骤401与步骤404，具体如下：
步骤401，从预设区域内识别出目标对象。
具体而言，预设区域可以为某个商圈范围，从该商圈范围内识别出尚未开设线上销售渠道的商户，作为目标对象。
步骤405，将区域内的多个目标对象按照第一评估数据进行排序。
具体而言，将区域内的多个目标对象按照第一评估数据进行排列，参见第二实施例，第一评估数据包括第一评估值与第二评估值，则将区域内的多个目标对象按照第一评估值或第二评估值从大到小进行排列，以便于查看多个目标对象的顺序。
本实施方式相对于第一实施方式而言，对区域内的多个目标对象按照第一评估数据进行排序，便于对比多个目标对象的情况。需要说明的是，本实施方式也可以作为在第二实施方式或第三实施方式基础上的改进，可以达到同样的技术效果。
本发明的第五实施方式涉及一种数据评估装置，应用于电子设备，电子设备例如为手机、平板电脑、台式电脑等。请参考图5，该数据评估装置500包括：
确定模块501，用于根据目标对象的位置确定目标对象的辐射范围；目标对象可以为尚未开设线上销售渠道的商户，为了获取目标对象周边商圈内商户的经营状况，确定模块501根据目标对象的位置，以该目标对象的位置为中心，确定目标对象覆盖的辐射范围，辐射范围至少覆盖目标对象周边的大部分商户，以确保辐射范围较为合理。例如，以目标对象的位置为圆心，作一个预设半径的圆，将该圆作为目标对象的辐射范围。
识别模块502，用于识别出辐射范围内与目标对象相关的对象，作为参考对象；与目标对象相关的对象可以为与目标对象属于同一大品类的对象，较佳的，与目标对象相关的对象为与目标对象品类相同的对象，更具有参考意义，然后识别模块502识别出目标对象的辐射范围与目标对象相关的对象，作为参考对象。例如，目标对象是做馄饨的商户，目标对象属于的大品类为早餐，与目标对象相关的对象可以为做早餐的商户，例如做粥的商户，则辐射范围内做早餐的商户为参考对象；较佳的，与目标对象相关的对象也是做馄饨的商户，则辐射范围内做馄饨的商户为参考对象。其中，参考对象可以为已开通线上销售渠道的商户。
第一评估模块503，用于根据参考对象的特征数据，得到目标对象的第一评估数据。参考对象的特征数据为参考对象在预设线上销售平台上的销售数据，从而第一评估模块503可以根据参考对象的特征数据，得到目标对象的第一评估数据，第一评估数据能够表征目标对象在预设线上销售平台上线后的线上销售情况。
其中，特征数据可以包括多个特征参数，且特征参数为以下任意之一：营业额、订单量、餐品数量、配送费、每笔订单的均价、起送价。特征参数还可以为配送时长、用户点评星级、用户评分、用户点评数量、高峰营业时长、餐品数量等。
不难发现，本实施方式为与第一实施方式的相对应的装置实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应的，本实施方式中提到的相关技术细节也可应用在第一实施方式中。
值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。
本实施方式相对于现有技术而言，能够根据目标对象的位置确定目标对象的辐射范围，再识别出辐射范围内与目标对象相关的对象，作为参考对象，最后再根据参考对象的特征数据，得到目标对象的第一评估数据，即能够获取目标对象的第一评估数据，以通过第一评估数据了解目标对象的情况。
本发明的第六实施方式涉及一种数据评估装置，本实施方式与第五实施方式大致相同，具体区别之处在于：本实施方式中，对如何计算得到第一评估数据的第一评估值与第二评估值做了进一步细化。
第一评估模块503，具体用于根据参考对象的特征数据，得到目标对象的第一评估值；其中，第一评估数据包括第一评估值。
具体的，特征数据包括多个特征参数，且每个特征参数具有参数值；请参考图6，第一评估模块503包括：
归一化子模块5031，用于对参考对象的各特征参数的参数值进行归一化处理，以得到各特征参数的归一化值。
第一计算子模块5032，用于以各特征参数的归一化值为变量，采用预设的多元线性回归模型得到目标对象的第一评估值。
首先，归一化子模块5031对参考对象的各特征参数的参数值进行归一化处理，以得到各特征参数的归一化值，当参考对象的数量为多个时，归一化子模块5031包括：
第二计算子模块50311，用于对于每个特征参数，根据多个参考对象中的特征参数的参数值，得到特征参数的第三评估值，从而可以得到包括多个特征参数的第三评估值，形成一组特征参数。
处理子模块50312，用于对多个特征参数的第三评估值进行归一化处理，以得到多个特征参数的归一化值。其中，可以计算多个参考对象中的特征参数的参数值的平均值，作为特征参数的第三评估值，然不限于此，也可以以多个参考对象中的特征参数的参数的中位数作为特征参数的第三评估值。
然后，第一计算子模块5032以各特征参数的归一化值为变量，采用预设的多元线性回归模型得到目标对象的第一评估值。
多元线性回归模型的获取方法如下：
以第一评估值为因变量、特征数据的多个特征参数作为自变量，设定自变量与因变量之间的线性关系，建立带有未知回归参数的多元线性回归模型，如下：
Y＝β0+β1X1+β2X2+···+βnXn+a
其中，Y表示第一评估值，X1，...,Xn表示n各自变量，β0，...,βn表示n+1个未知回归参数，n为大于或等于1的自然数，a表示随机误差，随机误差是一个期望值或平均值为0的随机变量，服从正态分布。
根据上述多元线性回归模型，得到多元线性回归方程，如下：
Y’＝β0+β1X1’+β2X2’+···+βnXn’+a
采集n+1个参考对象的特征数据(即参考对象在预设线上销售平台的销售数据)以及目标对象在其他销售渠道的销售数据，该其他销售渠道的销售数据可以为其他线上销售平台上的销售数据或者线下的销售数据，该其他销售渠道的销售数据可以由目标对象提供，或者可以通过正常公开渠道获取，该其他销售渠道的销售数据包括与目标对象的第一评估值属性相同的参数的值，将一个参考对象的n个特征参数的参数值X1，...,Xn、与目标对象的第一评估值属性相同的参数的值Y作为一组样本值，即以(X1,X2,…,Xn,Y)作为一组样本值，基于n+1个参考对象则能够获得n+1组样本值，采用最小平方法利用n+1组样本值，计算出n+1个回归参数的估计值，从而得到多元线性回归模型。举例来说，多元线性回归方程为四元线性回归方程，如下：
Y’＝β0+β1X1’+β2X2’+β3X3’+a
参考对象有A、B、C、D四个，每个参考对象的特征数据中包括三个特征参数，四个参考对象分别表示为(XA1，XA2，XA3)、(XB1，XB2，XB3)、(XC1，XC2，XC3)、(XD1，XD2，XD3)，与目标对象的第一评估值属性相同的参数的值用YM表示，从而可以得到四组样本值：(XA1，XA2，XA3，YM)、(XB1，XB2，XB3，YM)、(XC1，XC2，XC3，YM)、(XD1，XD2，XD3，YM)，将四组样本值代入上面的四元线性回归方程，可以计算出四个回归参数β0、β1、β2、β3的估计值，从而能够得到三元线性回归模型。
以参考对象的数量为多个，参考对象的特征数据包括三个特征参数：营业额、订单量、餐品数量，为例进行说明，具体如下：
从预设线上销售平台获取多个参考对象的三个特征参数，三个特征参数例如包括营业额、订单量、餐品数量；第二计算子模块50311计算多个参考对象的营业额的平均值、订单量的平均值、餐品数量的平均值，然后处理子模块50312对的营业额的平均值、订单量的平均值、餐品数量的平均值分别进行归一化处理，得到营业额、订单量、餐品数量的归一化值，第一计算子模块5032再以营业额、订单量、餐品数量的归一化值为变量，采用预设的多元线性回归模型预估目标对象的第一评估值，以预估目标对象加入预设线上销售平台后的销售情况，第一评估值可以为订单量。
第一评估模块503还用于根据目标对象的第一评估值和预获取的目标对象的特征值，计算目标对象的第二评估值；若第一评估值为订单量，则目标对象的特征值为每笔订单的均价，以订单量乘以每笔订单的均价，可以得到目标对象的第二评估值，即目标对象的营业额；其中，第一评估数据还包括第二评估值。
需要说明的是，本实施方式中以第一评估数据包括第一评估值与第二评估值为例进行说明，然不限于此，第一评估数据也可以仅包括第一评估值。
由于第二实施例与本实施例相互对应，因此本实施例可与第二实施例互相配合实施。第二实施例中提到的相关技术细节在本实施例中依然有效，在第二实施例中所能达到的技术效果在本实施例中也同样可以实现，为了减少重复，这里不再赘述。相应地，本实施例中提到的相关技术细节也可应用在第二实施例中。
本实施方式相对于第五实施方式而言，提供了计算目标对象的第一评估值与第二评估值的具体方式。
本发明的第七实施方式涉及一种数据评估装置，本实施方式与第五实施方式大致相同，主要区别之处在于：本实施方式中，请参考图7，数据评估装置还包括：
第二评估模块504，用于根据目标对象的特征数据，得到目标对象的第二评估数据。
具体的，目标对象的特征数据为目标对象在其他销售渠道的销售数据，该销售数据可以为其他线上销售平台上的数据或者线下的销售数据，该销售数据可以由目标对象提供，或者可以通过正常公开渠道获取，第二评估模块504可以根据目标对象的特征数据，得到目标对象的第二评估数据，第二评估数据同样能够表征目标对象在预设线上销售平台上线后的线上销售情况。
更具体的，第二评估模块504以目标对象的多个特征参数的参数值为自变量，采用预设的多元回归模型得到目标对象的第二评估数据，目标对象的多个特征参数的参数值可以从目标对象其他销售渠道上销售数据中获得，将多个特征参数的参数值输入预设的多元回归模型，输出的结果即为目标对象的第二评估数据。其中，多元回归模型的获取方法与第六实施方式中用于计算第一评估值的多元线性回归模型的获取方法类似，即：用多个参考对象在预设线上销售平台的特征数据以及目标对象在其他销售渠道的与第二评估数据属性相同的销售数据作为模型训练的样本，在此不再赘述。
以目标对象的特征数据包括三个特征参数：营业额、订单量、餐品数量，为例进行说明，具体如下：
从其他销售渠道获取目标对象的三个特征参数，三个特征参数例如包括营业额、订单量、餐品数量；第二评估模块504对目标对象的营业额、订单量、餐品数量分别进行归一化处理，得到营业额、订单量、餐品数量的归一化值，再以营业额、订单量、餐品数量的归一化值为变量，采用预设的多元线性回归模型预估目标对象的第二评估数据，以预估目标对象在预设线上销售平台上线后的线上销售情况，第二评估数据可以包括订单量，继而可以以订单量乘以每笔订单的均价，可以得到目标对象的营业额，第二评估数据还包括目标对象的营业额
其中，特征数据可以包括多个特征参数，且特征参数为以下任意之一：营业额、订单量、餐品数量、配送费、每笔订单的均价、起送价。特征参数还可以为配送时长、用户点评星级、用户评分、用户点评数量、高峰营业时长、餐品数量、是否申请加入线上销售渠道等。
在一个例子中，目标对象的数量为多个；数据评估装置还包括：
第三评估模块505，用于结合第一评估数据与第二评估数据，得到多个目标对象的优先级顺序。具体的，由上可知，用于计算第一评估数据与第二评估数据的多元线性回归模型是类似的，只是输入到多元线性回归模型的特征数据不同，计算第一评估数据时输入到多元线性回归模型的是参考对象的特征数据，计算第二评估数据时输入到多元线性回归模型的是目标对象的特征数据，从而第一评估数据与第二评估数据能够从两个方面衡量目标对象在预设线上销售平台上线后的线上销售情况，第三评估模块505可以结合目标对象的第一评估数据与第二评估数据，获取目标对象的一个综合评估值，从而可以对多个目标对象的优先级进行排列，获取多个目标对象的优先级顺序。举例来说，以第一评估数据包括订单量、第二评估数据包括订单量为例，第三评估模块505计算各目标对象第一评估数据中的订单量与第二评估数据中的订单量的平均值，将多个目标对象按照订单量的平均值进行排序。
由于第三实施例与本实施例相互对应，因此本实施例可与第三实施例互相配合实施。第三实施例中提到的相关技术细节在本实施例中依然有效，在第三实施例中所能达到的技术效果在本实施例中也同样可以实现，为了减少重复，这里不再赘述。相应地，本实施例中提到的相关技术细节也可应用在第三实施例中。
本实施方式相对于第五实施方式而言，能够根据目标对象的特征数据，得到目标对象的第二评估数据；并且，能够结合第一评估数据与第二评估数据，对多个目标对象进行优先级排序。需要说明的是，本实施方式也可以作为在第六实施方式基础上的改进，可以达到同样的技术效果。
本发明的第八实施方式涉及一种数据评估装置，本实施方式与第五实施方式大致相同，主要区别之处在于：请参考图8，数据评估装置还包括：
识别模块506，用于从预设区域内识别出目标对象，预设区域可以为某个商圈范围，从该商圈范围内识别出尚未开设线上销售渠道的商户，作为目标对象，目标对象的数量可以为多个。
排序模块507，用于将区域内的多个目标对象按照第一评估数据进行排序。
具体的，第一评估数据包括第一评估值与第二评估值，排序模块507将区域内的多个目标对象按照第一评估值或第二评估值从大到小进行排列，以便于查看多个目标对象的顺序。
由于第四实施例与本实施例相互对应，因此本实施例可与第四实施例互相配合实施。第四实施例中提到的相关技术细节在本实施例中依然有效，在第四实施例中所能达到的技术效果在本实施例中也同样可以实现，为了减少重复，这里不再赘述。相应地，本实施例中提到的相关技术细节也可应用在第四实施例中。
本实施方式相对于第五实施方式而言，对区域内的多个目标对象按照第一评估数据进行排序，便于对比多个目标对象的情况。需要说明的是，本实施方式也可以作为在第六实施方式或第七实施方式基础上的改进，可以达到同样的技术效果。
本发明的第九实施方式涉及一种电子设备，电子设备例如为平板电脑、台式电脑等。如图9所示，该电子设备包括存储器602和处理器601；
其中，存储器602存储有可被至少一个处理器601执行的指令，指令被至少一个处理器601执行以实现：
提供热点地图，以供商户在热点地图上设定模拟商铺；根据商户在热点地图上设定的模拟商铺的位置，在热点地图上确定模拟商铺覆盖的周边范围；在热点地图上展示周边范围内的目标商铺的特征信息。
一个或多个处理器601以及存储器602，图9中以一个处理器601为例。处理器601、存储器602可以通过总线或者其他方式连接，图9中以通过总线连接为例。存储器602作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器601通过运行存储在存储器602中的非易失性软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述数据评估方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储过滤器等。此外，存储器602可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施方式中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器602中，当被一个或者多个处理器601执行时，执行上述任意方法实施方式中的数据评估方法。
上述设备可执行本发明实施方式所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施方式中详尽描述的技术细节，可参见本发明实施方式所提供的方法。
本发明第十实施方式涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述数据评估方法实施例。
即，本领域技术人员可以理解，实现上述区域配送压力的确定设置方法实施例中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例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-Only Memory)、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。
本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。
本申请实施方式提供了A1.一种数据评估方法，包括：
根据目标对象的位置确定所述目标对象的辐射范围；
识别出所述辐射范围内与所述目标对象相关的对象，作为参考对象；
根据所述参考对象的特征数据，得到所述目标对象的第一评估数据。
A2.根据A1所述的数据评估方法，所述根据所述参考对象的特征数据，得到所述目标对象的第一评估数据，包括：
根据所述参考对象的特征数据，得到所述目标对象的第一评估值；
其中，所述第一评估数据包括所述第一评估值。
A3.根据A2所述的数据评估方法，在所述根据所述参考对象的特征数据，得到所述目标对象的第一评估值之后，还包括：
根据所述目标对象的第一评估值和预获取的所述目标对象的特征值，计算所述目标对象的第二评估值；
其中，所述第一评估数据还包括所述第二评估值。
A4.根据A2所述的数据评估方法，所述特征数据包括多个特征参数，且每个所述特征参数具有参数值；
所述根据所述参考对象的特征数据，得到所述目标对象的第一评估值，包括：
对所述参考对象的各所述特征参数的参数值进行归一化处理，以得到各所述特征参数的归一化值；
以各所述特征参数的归一化值为变量，采用预设的多元线性回归模型得到所述目标对象的第一评估值。
A5.根据A4所述的数据评估方法，所述参考对象的数量为多个；
所述对所述参考对象的多个所述特征参数的参数值进行归一化处理，以得到多个所述特征参数的归一化值，包括：
对于每个所述特征参数，根据多个所述参考对象中的所述特征参数的参数值，得到所述特征参数的第三评估值；
对多个所述特征参数的第三评估值进行归一化处理，以得到多个所述特征参数的归一化值。
A6.根据A5所述的数据评估方法，所述根据多个所述参考对象中的所述特征参数的参数值，得到所述特征参数的第三评估值，具体为：
计算多个所述参考对象中的所述特征参数的参数值的平均值，作为所述特征参数的第三评估值。
A7.根据A1所述的数据评估方法，还包括：根据所述目标对象的特征数据，得到所述目标对象的第二评估数据。
A8.根据A7所述的数据评估方法，所述目标对象的数量为多个；在所述根据所述目标对象的特征数据，得到所述目标对象的第二评估数据之后，还包括：
结合所述第一评估数据与所述第二评估数据，得到多个所述目标对象的优先级顺序。
A9.根据A7所述的数据评估方法，所述特征数据包括多个特征参数的参数值；所述根据所述目标对象的特征数据，得到所述目标对象的第二评估数据，具体为：
以所述目标对象的所述多个特征参数的参数值为自变量，采用预设的多元回归模型得到所述目标对象的第二评估数据。
A10.根据A9所述的数据评估方法，所述第二评估数据包括所述目标对象的订单量和/或所述目标对象的营业额。
A11.根据A1所述的数据评估方法，在所述根据目标对象的位置确定所述目标对象的辐射范围之前，还包括：
从预设区域内识别出所述目标对象。
A12.根据A11所述的数据评估方法，识别出的所述目标对象的数量为多个；
在所述根据所述参考对象的特征数据，得到所述目标对象的第一评估数据之后，还包括：
将所述区域内的多个所述目标对象按照所述第一评估数据进行排序。
A13.根据A1所述的数据评估方法，所述与所述目标对象相关的对象包括：与所述目标对象品类相同的对象。
A14.根据A3所述的数据评估方法，所述第一评估值为所述目标对象的订单量，所述第二评估值为所述目标对象的营业额。
A15.根据A1至A14中任一项所述的数据评估方法，所述特征数据包括多个特征参数，且所述特征参数为以下任意之一：
营业额、订单量、餐品数量、配送费、每笔订单的均价、起送价。
本申请实施方式还提供了B16.一种数据评估装置，包括：
确定模块，用于根据目标对象的位置确定所述目标对象的辐射范围；
识别模块，用于识别出所述辐射范围内与所述目标对象相关的对象，作为参考对象；
第一评估模块，用于根据所述参考对象的特征数据，得到所述目标对象的第一评估数据。
B17.根据B16所述的数据评估装置，所述第一评估模块具体用于根据所述参考对象的特征数据，得到所述目标对象的第一评估值；
其中，所述第一评估数据包括所述第一评估值。
B18.根据B17所述的数据评估装置，所述第一评估模块还用于根据所述目标对象的第一评估值和预获取的所述目标对象的特征值，计算所述目标对象的第二评估值；其中，所述第一评估数据还包括所述第二评估值。
B19.根据B17所述的数据评估装置，所述特征数据包括多个特征参数，且每个所述特征参数具有参数值；所述第一评估模块包括：
归一化子模块，用于对所述参考对象的各所述特征参数的参数值进行归一化处理，以得到各所述特征参数的归一化值；
第一计算子模块，用于以各所述特征参数的归一化值为变量，采用预设的多元线性回归模型得到所述目标对象的第一评估值。
B20.根据B19所述的数据评估装置，所述参考对象的数量为多个；
所述归一化模块，包括：
第二计算子模块，用于对于每个所述特征参数，根据多个所述参考对象中的所述特征参数的参数值，得到所述特征参数的第三评估值；
处理子模块，用于对多个所述特征参数的第三评估值进行归一化处理，以得到多个所述特征参数的归一化值。
B21.根据B20所述的数据评估装置，所述第二计算子模块具体用于计算多个所述参考对象中的所述特征参数的参数值的平均值，作为所述特征参数的第三评估值。
B22.根据B16所述的数据评估装置，所述数据评估装置还包括：
第二评估模块，用于根据所述目标对象的特征数据，得到所述目标对象的第二评估数据。
B23.根据B22所述的数据评估装置，所述目标对象的数量为多个；所述数据评估装置还包括：
第三评估模块，用于结合所述第一评估数据与所述第二评估数据，得到多个所述目标对象的优先级顺序。
B24.根据B22所述的数据评估装置，所述特征数据包括多个特征参数的参数值；所述第二评估模块具体用于以所述目标对象的所述多个特征参数的参数值为自变量，采用预设的多元回归模型得到所述目标对象的第二评估数据。
B25.根据B24所述的数据评估装置，所述第二评估数据包括所述目标对象的订单量和/或所述目标对象的营业额。
B26.根据B16所述的数据评估装置，所述数据评估装置还包括：
识别模块，用于从预设区域内识别出所述目标对象。
B27.根据B26所述的数据评估装置，识别出的所述目标对象的数量为多个；
所述数据评估装置还包括：
排序模块，用于将所述区域内的多个所述目标对象按照所述第一评估数据进行排序。
B28.根据B16所述的数据评估装置，所述与所述目标对象相关的对象包括：与所述目标对象品类相同的对象。
B29.根据B18所述的数据评估装置，所述第一评估值为所述目标对象的订单量，所述第二评估值为所述目标对象的营业额。
B30.根据B16至B29中任一项所述的数据评估装置，所述特征数据包括多个特征参数，且所述特征参数为以下任意之一：
营业额、订单量、餐品数量、配送费、每笔订单的均价、起送价。
本申请实施方式还提供了C31.一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：
根据目标对象的位置确定所述目标对象的辐射范围；
识别出所述辐射范围内与所述目标对象相关的对象，作为参考对象；
根据所述参考对象的特征数据，得到所述目标对象的第一评估数据。
C32.根据C30所述的电子设备，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够进一步执行如C2至C15中任一项所述的数据评估方法。
本申请实施方式还提供了D 33.一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行如A1至A15中任一项所述的数据评估方法。

Claims (10)

1.一种数据评估方法，其特征在于，包括：
根据目标对象的位置确定所述目标对象的辐射范围；
识别出所述辐射范围内与所述目标对象相关的对象，作为参考对象；
根据所述参考对象的特征数据，得到所述目标对象的第一评估数据。
2.根据权利要求1所述的数据评估方法，其特征在于，所述根据所述参考对象的特征数据，得到所述目标对象的第一评估数据，包括：
根据所述参考对象的特征数据，得到所述目标对象的第一评估值；
其中，所述第一评估数据包括所述第一评估值。
3.根据权利要求2所述的数据评估方法，其特征在于，在所述根据所述参考对象的特征数据，得到所述目标对象的第一评估值之后，还包括：
根据所述目标对象的第一评估值和预获取的所述目标对象的特征值，计算所述目标对象的第二评估值；
其中，所述第一评估数据还包括所述第二评估值。
4.根据权利要求2所述的数据评估方法，其特征在于，所述特征数据包括多个特征参数，且每个所述特征参数具有参数值；
所述根据所述参考对象的特征数据，得到所述目标对象的第一评估值，包括：
对所述参考对象的各所述特征参数的参数值进行归一化处理，以得到各所述特征参数的归一化值；
以各所述特征参数的归一化值为变量，采用预设的多元线性回归模型得到所述目标对象的第一评估值。
5.根据权利要求4所述的数据评估方法，其特征在于，所述参考对象的数量为多个；
所述对所述参考对象的多个所述特征参数的参数值进行归一化处理，以得到多个所述特征参数的归一化值，包括：
对于每个所述特征参数，根据多个所述参考对象中的所述特征参数的参数值，得到所述特征参数的第三评估值；
对多个所述特征参数的第三评估值进行归一化处理，以得到多个所述特征参数的归一化值。
6.根据权利要求5所述的数据评估方法，其特征在于，所述根据多个所述参考对象中的所述特征参数的参数值，得到所述特征参数的第三评估值，具体为：
计算多个所述参考对象中的所述特征参数的参数值的平均值，作为所述特征参数的第三评估值。
7.根据权利要求1所述的数据评估方法，其特征在于，还包括：根据所述目标对象的特征数据，得到所述目标对象的第二评估数据。
8.一种数据评估装置，其特征在于，包括：
确定模块，用于根据目标对象的位置确定所述目标对象的辐射范围；
识别模块，用于识别出所述辐射范围内与所述目标对象相关的对象，作为参考对象；
第一评估模块，用于根据所述参考对象的特征数据，得到所述目标对象的第一评估数据。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：
根据目标对象的位置确定所述目标对象的辐射范围；
识别出所述辐射范围内与所述目标对象相关的对象，作为参考对象；
根据所述参考对象的特征数据，得到所述目标对象的第一评估数据。
10.一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行如权利要求1至7中任一项所述的数据评估方法。
CN201910318640.XA 2019-04-19 2019-04-19 数据评估方法、装置、电子设备及存储介质 Pending CN110189159A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910318640.XA CN110189159A (zh) 2019-04-19 2019-04-19 数据评估方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910318640.XA CN110189159A (zh) 2019-04-19 2019-04-19 数据评估方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN110189159A true CN110189159A (zh) 2019-08-30

Family

ID=67714781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910318640.XA Pending CN110189159A (zh) 2019-04-19 2019-04-19 数据评估方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN110189159A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112711739A (zh) * 2019-10-25 2021-04-27 腾讯科技（深圳）有限公司 一种数据处理方法、装置及服务器、存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440589A (zh) * 2013-09-17 2013-12-11 上海商学院 门店选址系统及方法
CN104392007A (zh) * 2014-12-18 2015-03-04 西安电子科技大学宁波信息技术研究院 一种智能移动终端的街景检索与识别方法
CN106776868A (zh) * 2016-11-29 2017-05-31 浙江工业大学 一种基于多元线性回归模型的餐馆评分预测方法
CN107180275A (zh) * 2017-05-16 2017-09-19 厦门数图科技有限公司 一种标准化营业额预估方法与系统
CN109165765A (zh) * 2018-06-26 2019-01-08 广州实地房地产开发有限公司 区域对象信息预测方法和系统、楼盘价格预测方法和系统
CN109299979A (zh) * 2018-09-17 2019-02-01 口碑(上海)信息技术有限公司 数据预估方法、装置、计算机设备及计算机可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440589A (zh) * 2013-09-17 2013-12-11 上海商学院 门店选址系统及方法
CN104392007A (zh) * 2014-12-18 2015-03-04 西安电子科技大学宁波信息技术研究院 一种智能移动终端的街景检索与识别方法
CN106776868A (zh) * 2016-11-29 2017-05-31 浙江工业大学 一种基于多元线性回归模型的餐馆评分预测方法
CN107180275A (zh) * 2017-05-16 2017-09-19 厦门数图科技有限公司 一种标准化营业额预估方法与系统
CN109165765A (zh) * 2018-06-26 2019-01-08 广州实地房地产开发有限公司 区域对象信息预测方法和系统、楼盘价格预测方法和系统
CN109299979A (zh) * 2018-09-17 2019-02-01 口碑(上海)信息技术有限公司 数据预估方法、装置、计算机设备及计算机可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112711739A (zh) * 2019-10-25 2021-04-27 腾讯科技（深圳）有限公司 一种数据处理方法、装置及服务器、存储介质
CN112711739B (zh) * 2019-10-25 2024-05-28 腾讯科技（深圳）有限公司 一种数据处理方法、装置及服务器、存储介质

Similar Documents

Publication Publication Date Title
CN108550052A (zh) 基于用户行为数据特征的刷单检测方法及系统
US20200134693A1 (en) Method, device and equipment for recommending product, and computer readable storage medium
CN109213936B (zh) 商品搜索方法和装置
CN102541899B (zh) 一种信息识别方法及设备
CN108876545A (zh) 订单识别方法、装置和可读存储介质
CN109978292B (zh) 门店的智能管理方法及装置
CN107704941B (zh) 一种显示物品评论的方法及装置
CN110992135B (zh) 一种风险识别方法、装置、电子设备及存储介质
CN109711859A (zh) 客户终生价值的预测方法及装置、存储介质、计算机设备
CN111626767A (zh) 资源数据的发放方法、装置及设备
CN111242318A (zh) 基于异构特征库的业务模型训练方法及装置
CN108428138A (zh) 一种基于客户分群的客户生存率分析装置及分析方法
CN106257507A (zh) 用户行为的风险评估方法及装置
CN110189159A (zh) 数据评估方法、装置、电子设备及存储介质
WO2022099965A1 (zh) 电商活动配置方法、装置、计算机设备和可读存储介质
CN110675207A (zh) 图像展示组合推荐方法、装置及设备
CN108647986A (zh) 一种目标用户确定方法、装置及电子设备
KR20190088661A (ko) 추가적인 사용자 입력이 필요없는 사용자 평가 신뢰도 산출 및 이를 반영한 종합 평가 점수 산출 방법 및 시스템
CN105183867B (zh) 数据处理方法及装置
CN111784403A (zh) 基于网上商城的用户类别分析方法、装置和计算机设备
CN110796520A (zh) 商品推荐的方法、装置、计算设备以及介质
CN108446923B (zh) 一种基于自助式劳务众包平台的任务定价方法
CN115713384A (zh) 推荐物品的方法、装置、存储介质及电子设备
CN111833151B (zh) 云生态服务方法、云服务器、系统、设备及可读存储介质
Wibowo et al. A consensus support system for supplier selection in group decision making

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: 20190830

RJ01 Rejection of invention patent application after publication