CN110322287A - 一种业务区域筛选方法及装置 - Google Patents

一种业务区域筛选方法及装置 Download PDF

Info

Publication number
CN110322287A
CN110322287A CN201910534158.XA CN201910534158A CN110322287A CN 110322287 A CN110322287 A CN 110322287A CN 201910534158 A CN201910534158 A CN 201910534158A CN 110322287 A CN110322287 A CN 110322287A
Authority
CN
China
Prior art keywords
trade company
aggregation zone
target
feature vector
feature
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
CN201910534158.XA
Other languages
English (en)
Inventor
苏宇
石英伦
严力
朱凡
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 Puhui Enterprise Management Co Ltd
Original Assignee
Ping An Puhui Enterprise Management 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 Puhui Enterprise Management Co Ltd filed Critical Ping An Puhui Enterprise Management Co Ltd
Priority to CN201910534158.XA priority Critical patent/CN110322287A/zh
Publication of CN110322287A publication Critical patent/CN110322287A/zh
Priority to PCT/CN2019/116994 priority patent/WO2020253037A1/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
    • 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

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

本申请实施例公开了一种业务区域筛选方法及装置，其中方法包括：获取M个商户聚集区域中各个商户聚集区域的区域数据，该区域数据中包括多种参数，该多种参数至少包括预测交易数量、业务员等级以及拜访次数。对该各个商户聚集区域的区域数据中各种参数进行特征处理，以得到该M个商户聚集区域对应的M个特征向量，再根据该M个特征向量中与预测交易数量对应的M个第一特征值，从该M个商户聚集区域中确定出K个目标商户聚集区域。根据该K个目标商户聚集区域对应的K个特征向量，从该K个目标商户聚集区域中筛选出至少一个业务区域。采用本申请实施例，可以结合城市内商户聚集区域的综合情况，从这些商户聚集区域中筛选出优质的业务区域。

Description

一种业务区域筛选方法及装置
技术领域
本申请涉及计算机技术领域，尤其涉及一种业务区域筛选方法及装置。
背景技术
目前，市场业务员在拓展市场、开展业务时，通常都是在城市内盲目地开展业务。那么这就可能出现业务员不了解某个区域的综合情况，比如需求量、是否过度开发、这个区域的客户情况等，而导致业务员无法针对性地开展业务，使得业务员的业务拓展困难，且没有目的性。
发明内容
本申请实施例提供一种业务区域筛选方法及装置，可以结合城市内商户聚集区域的综合情况，从这些商户聚集区域中筛选出优质的业务区域，以便于辅助业务员开展业务，提高开展业务的针对性。
第一方面，本申请实施例提供了一种业务区域筛选方法，该方法包括：
获取M个商户聚集区域中各个商户聚集区域的区域数据，该区域数据中包括多种参数，该多种参数至少包括预测交易数量、业务员等级以及拜访次数，M为大于或等于2的整数；
对该各个商户聚集区域的区域数据中各种参数进行特征处理，以得到该M个商户聚集区域对应的M个特征向量，其中一个商户聚集区域对应一个特征向量，一个特征向量中包括多个特征，各个特征向量中包括的特征数量相同，一个特征用于表示一种参数；
根据该M个特征向量中与预测交易数量对应的M个第一特征值，从该M个商户聚集区域中确定出K个目标商户聚集区域，每个目标商户聚集区域对应的特征向量中与预测交易数量对应的第一特征值大于或等于交易数量阈值，K为大于或等于2的整数且K小于M；
根据该K个目标商户聚集区域对应的K个特征向量，从该K个目标商户聚集区域中筛选出至少一个业务区域；
其中，该业务区域的目标拜访次数小于该业务区域的拜访次数阈值，和/或该业务区域对应的特征向量与参考向量之间的欧氏距离大于目标欧氏距离，该目标拜访次数由该业务区域的拜访次数基于该业务区域的业务员等级换算得到，该参考向量中的特征数量与该业务区域对应的特征向量中的特征数量相同，且该参考向量中的特征值均为0。
结合第一方面，在一种可能的实施方式中，根据该K个目标商户聚集区域对应的K个特征向量，从该K个目标商户聚集区域中筛选出至少一个业务区域，包括：
获取该K个目标商户聚集区域对应的K个特征向量中与业务员等级对应的K个第二特征值以及与拜访次数对应的K个第三特征值；根据各个业务员等级对应的标准拜访次数，确定该K个第二特征值的每个第二特征值所对应的标准拜访次数；根据任一目标商户聚集区域对应的特征向量中的第三特征值与该任一目标商户聚集区域对应的特征向量中的第二特征值所对应的标准拜访次数，确定该任一目标商户聚集区域的目标拜访次数，以得到该K个目标商户聚集区域对应的K个目标拜访次数；获取各个目标商户聚集区域的拜访次数阈值；将该K个目标商户聚集区域中目标拜访次数小于对应的拜访次数阈值的至少一个目标商户聚集区域确定为业务区域以得到至少一个业务区域。
结合第一方面，在一种可能的实施方式中，获取各个目标商户聚集区域的拜访次数阈值，包括：获取该K个目标商户聚集区域对应的K个特征向量中与预测交易数量对应的K个第一特征值；将该K个第一特征值中各个第一特征值除以单位交易阈值的商取整后的值确定为该各个第一特征值对应的目标商户聚集区域的拜访次数阈值。
结合第一方面，在一种可能的实施方式中，根据该K个目标商户聚集区域对应的K个特征向量，从该K个目标商户聚集区域中筛选出至少一个业务区域，包括：
根据该K个目标商户聚集区域对应的K个特征向量中每两个特征向量之间的欧氏距离，将该K个目标商户聚集区域划分为Q个区域集合；获取参考向量；计算该Q个区域集合的每个区域集合中任选的N个目标商户聚集区域对应的特征向量与该参考向量之间的欧氏距离，得到Q*N个欧氏距离，N为大于或等于2的整数；将该Q*N个欧氏距离中大于目标欧氏距离的欧氏距离对应的目标商户聚集区域所属的区域集合确定为目标区域集合，将该目标区域集合中的目标商户聚集区域确定为业务区域。其中，每个区域集合中包括至少两个目标商户聚集区域，该区域集合中任两个目标商户聚集区域对应的特征向量之间的欧氏距离小于预设距离阈值，Q为大于或等于1的整数。
结合第一方面，在一种可能的实施方式中，在根据该M个特征向量中与预测交易数量对应的M个第一特征值，从该M个商户聚集区域中确定出K个目标商户聚集区域之前，该方法包括：
获取该M个商户聚集区域对应的M个特征向量中与预测交易数量对应的M个第一特征值，并将该M个第一特征值按照从大到小进行排序，得到预测交易序列；获取预设的筛选百分比，计算该筛选百分比与M之间的乘积取整后的值P；将该预测交易序列中的第P个第一特征值确定为交易数量阈值。
第二方面，本申请实施例提供了一种业务区域筛选装置，该装置包括：
第一获取模块，用于获取M个商户聚集区域中各个商户聚集区域的区域数据，该区域数据中包括多种参数，该多种参数至少包括预测交易数量、业务员等级以及拜访次数，M为大于或等于2的整数；
特征处理模块，用于对该各个商户聚集区域的区域数据中各种参数进行特征处理，以得到该M个商户聚集区域对应的M个特征向量，其中一个商户聚集区域对应一个特征向量，一个特征向量中包括多个特征，各个特征向量中包括的特征数量相同，一个特征用于表示一种参数；
第一确定模块，用于根据该M个特征向量中与预测交易数量对应的M个第一特征值，从该M个商户聚集区域中确定出K个目标商户聚集区域，每个目标商户聚集区域对应的特征向量中与预测交易数量对应的第一特征值大于或等于交易数量阈值，K为大于或等于2的整数且K小于M；
筛选模块，用于根据该K个目标商户聚集区域对应的K个特征向量，从该K个目标商户聚集区域中筛选出至少一个业务区域；
其中，该业务区域的目标拜访次数小于该业务区域的拜访次数阈值，和/或该业务区域对应的特征向量与参考向量之间的欧氏距离大于目标欧氏距离，该目标拜访次数由该业务区域的拜访次数基于该业务区域的业务员等级换算得到，该参考向量中的特征数量与该业务区域对应的特征向量中的特征数量相同，且该参考向量中的特征值均为0。
结合第二方面，在一种可能的实施方式中，上述筛选模块包括：
第一获取单元，用于获取该K个目标商户聚集区域对应的K个特征向量中与业务员等级对应的K个第二特征值以及与拜访次数对应的K个第三特征值；第一确定单元，用于根据各个业务员等级对应的标准拜访次数，确定该K个第二特征值的每个第二特征值所对应的标准拜访次数；第二确定单元，用于根据任一目标商户聚集区域对应的特征向量中的第三特征值与该任一目标商户聚集区域对应的特征向量中的第二特征值所对应的标准拜访次数，确定该任一目标商户聚集区域的目标拜访次数，以得到该K个目标商户聚集区域对应的K个目标拜访次数；第二获取单元，用于获取各个目标商户聚集区域的拜访次数阈值；第三确定单元，用于将该K个目标商户聚集区域中目标拜访次数小于对应的拜访次数阈值的至少一个目标商户聚集区域确定为业务区域以得到至少一个业务区域。
结合第二方面，在一种可能的实施方式中，上述第二获取单元具体用于：获取该K个目标商户聚集区域对应的K个特征向量中与预测交易数量对应的K个第一特征值；将该K个第一特征值中各个第一特征值除以单位交易阈值的商取整后的值确定为该各个第一特征值对应的目标商户聚集区域的拜访次数阈值。
结合第二方面，在一种可能的实施方式中，上述筛选模块还包括：
划分单元，用于根据该K个目标商户聚集区域对应的K个特征向量中每两个特征向量之间的欧氏距离，将该K个目标商户聚集区域划分为Q个区域集合；第三获取单元，用于获取参考向量；计算单元，用于计算该Q个区域集合的每个区域集合中任选的N个目标商户聚集区域对应的特征向量与该参考向量之间的欧氏距离，得到Q*N个欧氏距离，N为大于或等于2的整数；第四确定单元，用于将该Q*N个欧氏距离中大于目标欧氏距离的欧氏距离对应的目标商户聚集区域所属的区域集合确定为目标区域集合，将该目标区域集合中的目标商户聚集区域确定为业务区域。其中，每个区域集合中包括至少两个目标商户聚集区域，该区域集合中任两个目标商户聚集区域对应的特征向量之间的欧氏距离小于预设距离阈值，Q为大于或等于1的整数。
结合第二方面，在一种可能的实施方式中，该装置还包括：第二获取模块，用于获取该M个商户聚集区域对应的M个特征向量中与预测交易数量对应的M个第一特征值，并将该M个第一特征值按照从大到小进行排序，得到预测交易序列；计算模块，用于获取预设的筛选百分比，计算该筛选百分比与M之间的乘积取整后的值P；第二确定模块，用于将该预测交易序列中的第P个第一特征值确定为交易数量阈值。
第三方面，本申请实施例提供了一种终端，包括处理器和存储器，该处理器和存储器相互连接，其中，该存储器用于存储支持终端执行上述方法的计算机程序，该计算机程序包括程序指令，该处理器被配置用于调用该程序指令，执行上述第一方面的业务区域筛选方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包括程序指令，该程序指令当被处理器执行时使该处理器执行上述第一方面的业务区域筛选方法。
本申请实施例通过获取M个商户聚集区域中各个商户聚集区域的区域数据，该区域数据中包括多种参数，该多种参数至少包括预测交易数量、业务员等级以及拜访次数。对该各个商户聚集区域的区域数据中各种参数进行特征处理，以得到该M个商户聚集区域对应的M个特征向量，再根据该M个特征向量中与预测交易数量对应的M个第一特征值，从该M个商户聚集区域中确定出K个目标商户聚集区域。根据该K个目标商户聚集区域对应的K个特征向量，从该K个目标商户聚集区域中筛选出至少一个业务区域。可以结合城市内商户聚集区域的综合情况，从这些商户聚集区域中筛选出优质的业务区域，以便于辅助业务员开展业务，提高开展业务的针对性。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的业务区域筛选方法的一示意流程图；
图2是本申请实施例提供的业务区域筛选方法的另一示意流程图；
图3是本申请实施例提供的业务区域筛选装置的一结构性框图；
图4是本申请实施例提供的筛选模块的一结构性框图；
图5是本申请实施例提供的终端的一结构性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动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。
应当理解，本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
还应当理解，在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
下面将结合图1至图5，对本申请实施例提供的业务区域筛选方法及装置进行说明。
参见图1，是本申请实施例提供的业务区域筛选方法的一示意流程图。如图1所示，该业务区域筛选方法可包括步骤：
S101，获取M个商户聚集区域中各个商户聚集区域的区域数据。
在一些可行的实施方式中，终端可以从区域数据库中获取目标城市包括的M个商户聚集区域，并可以获取该M个商户聚集区域中各个商户聚集区域的区域数据。其中，区域数据库可以用于存储各个城市的商户聚集区域，每个商户聚集区域可以包括一个或多个商户，商户聚集区域可以为商圈。目标城市可以为任一地级市城市或直辖市城市，如珠海市、深圳市、上海市等。该区域数据中可以包括多种参数，各个商户聚集区域的区域数据所包括的参数相同，该多种参数中至少包括第一时间段内的预测交易数量、业务员等级以及拜访次数。该多种参数还可包括其他的参数，比如，商户数量、商户密度、该预测交易数量与该第一时间段之前的第二时间段内的真实交易数量之间的环比、该第一时间段的去年同期的交易数量环比、客户使用交易应用程序(Application，简称APP)的频率、浏览交易资讯的次数、客户的性别、年龄、行业、业务员的拜访结果(指业务员拜访任一商户聚集区域一次所得的交易数量)等等。第一时间段与第二时间段的时间长度可以保持一致，比如，第一时间段为2018年12月，第二时间段可以为2018年11月，第一时间段和第二时间段的时间长度均为1个月，那么第一时间段的去年同期为2017年12月。M可以为大于或等于2的整数。
S102，对各个商户聚集区域的区域数据中各种参数进行特征处理，以得到M个商户聚集区域对应的M个特征向量。
在一些可行的实施方式中，针对上述M个商户聚集区域中的每个商户聚集区域，终端可以对该每个商户聚集区域的区域数据中各种参数进行特征处理，得到该每个商户聚集区域对应的特征向量，那么M个商户聚集区域就存在M个特征向量。其中，一个特征向量中可以包括多个特征，各个特征向量中包括的特征数量可以相同，一个特征可以用于表示一种参数。一个商户聚集区域可以对应一个特征向量。
例如，商户聚集区域1的特征向量可以表示为Y1＝[A111,A212,A313,...,An1n]，A1表示特征向量Y1中的第一个特征，A2表示特征向量Y1中的第二个特征，An表示特征向量Y1中的第n个特征。A111表示第一个特征的特征值，A212表示第二个特征的特征值，An1n表示第n个特征的特征值。假设特征A1表示商户数量、特征A2表示商户密度，特征A3表示预测交易数量，那么商户聚集区域2的特征向量可以表示为Y2＝[A121,A222,A323,...,An2n]，即各个商户聚集区域对应的特征向量所包括的特征的排列可以相同。
在一些可行的实施方式中，终端在对每个商户聚集区域的区域数据中各种参数进行特征处理之前，可以将每个商户聚集区域的区域数据中数据类型不是数值的参数所对应的数据转换成数值，再可以对该每个商户聚集区域的区域数据中各种参数对应的数值进行特征处理，得到该每个商户聚集区域对应的特征向量。例如，假设在区域数据中业务员等级这种参数用“普通”、“组长”或“经理”来描述。终端将每个商户聚集区域的区域数据中业务员等级所对应的数据转换成数值。假设业务员等级为“普通”用1表示，业务员等级为“组长”用2所示，业务员等级为“经理”用3表示，那么业务员等级所对应的数据转换后的数值就为1、2或3。又如，在区域数据中客户的性别这种参数用“男”或“女”来描述。终端将每个商户聚集区域的区域数据中客户的性别所对应的数据“男”或“女”转换成数值，假设“男”用00表示，“女”用11表示，那么客户的性别所对应的数据转换后的数值就为00或11。
S103，根据M个特征向量中与预测交易数量对应的M个第一特征值，从M个商户聚集区域中确定出K个目标商户聚集区域。
在一些可行的实施方式中，终端在得到上述M个商户聚集区域对应的M个特征向量之后，可以获取该M个商户聚集区域对应的M个特征向量中与预测交易数量这种参数对应的M个第一特征值，并可以将该M个第一特征值按照从大到小进行排序，得到预测交易序列。终端可以获取预设的筛选百分比，如70％，并可以计算该筛选百分比与M之间的乘积取整后的值P。终端可以将该预测交易序列中的第P个第一特征值确定为交易数量阈值。终端可以将该M个第一特征值中大于或等于该交易数量阈值的第一特征值所属的商户聚集区域确定为目标商户聚集区域，以得到K个目标商户聚集区域。K可以为大于或等于2的整数且K小于或等于M。
例如，M＝200，预设的筛选百分比为70％。终端获取200个商户聚集区域对应的200个特征向量中与预测交易数量这种参数对应的200个第一特征值，并将这200个第一特征值按照从大到小进行排序，得到预测交易序列。终端计算筛选百分比70％与M＝200之间的乘积200*70％＝140取整后的值P＝140。终端将预测交易序列中第140个第一特征值确定为交易数量阈值，再分别比较200个第一特征值与交易数量阈值之间的大小关系。终端将这200个第一特征值中大于或等于交易数量阈值的第一特征值所属的商户聚集区域确定为目标商户聚集区域，得到140个目标商户聚集区域，那么K＝140。
S104，根据K个目标商户聚集区域对应的K个特征向量，从K个目标商户聚集区域中筛选出至少一个业务区域。
在一些可行的实施方式中，终端可以根据上述K个目标商户聚集区域对应的K个特征向量，按照预设的筛选条件从该K个目标商户聚集区域中筛选出至少一个业务区域。其中，业务区域的目标拜访次数小于这个业务区域的拜访次数阈值，和/或业务区域对应的特征向量与参考向量之间的欧氏距离大于目标欧氏距离。目标拜访次数可以由业务区域的拜访次数基于这个业务区域的业务员等级换算得到。参考向量中的特征数量与业务区域对应的特征向量中的特征数量相同，即参考向量中的特征数量与每个特征向量的特征数量均相同，且参考向量中的特征值均为0。本申请实施例将各个商户聚集区域的区域数据(综合情况)经过特征处理后作为特征向量，再根据这些特征向量中与预测交易数量对应的特征值，筛选出预测交易数量较大的区域，最后再结合这些预测交易数量较大的区域的其他筛选条件，筛选出各个方面均优质的商户聚集区域作为业务区域，可以结合城市内商户聚集区域的综合情况，从这些商户聚集区域中筛选出优质的业务区域，以便于辅助业务员开展业务，提高开展业务的针对性。
在一些可行的实施方式中，终端可以获取上述K个目标商户聚集区域对应的K个特征向量中与业务员等级对应的K个第二特征值以及与拜访次数对应的K个第三特征值。终端可以根据各个业务员等级对应的标准拜访次数，确定该K个第二特征值的每个第二特征值所对应的标准拜访次数。比如，业务员等级1对应的标准拜访次数为2，业务员等级2对应的标准拜访次数为3，业务员等级3对应的标准拜访次数为5。那么第二特征值等于1所对应的标准拜访次数就为2，第二特征值等于2所对应的标准拜访次数就为3，第二特征值等于3所对应的标准拜访次数就为5。终端可以根据任一目标商户聚集区域对应的特征向量中的第三特征值与该任一目标商户聚集区域对应的特征向量中的第二特征值所对应的标准拜访次数，确定该任一目标商户聚集区域的目标拜访次数，以得到该K个目标商户聚集区域对应的K个目标拜访次数。终端可以获取各个目标商户聚集区域的拜访次数阈值，并可以将该K个目标商户聚集区域中目标拜访次数小于对应的拜访次数阈值的至少一个目标商户聚集区域确定为业务区域以得到至少一个业务区域。
例如，假设目标商户聚集区域5对应的特征向量中与业务员等级对应的第二特征值为2，与拜访次数对应的第三特征值50。由于业务员等级2对应的标准拜访次数为3，那么目标商户聚集区域5对应的特征向量中的第二特征值2所对应的标准拜访次数就为3。终端计算目标商户聚集区域5对应的特征向量中的第三特征值50与目标商户聚集区域5对应的特征向量中的第二特征值2所对应的标准拜访次数3之间的乘积(50*3)为150，将该乘积150确定为目标商户聚集区域5的目标拜访次数150次。假设目标商户聚集区域5的拜访次数阈值为200，终端比较目标商户聚集区域5的目标拜访次数150与其拜访次数阈值200之间的大小关系。由于目标商户聚集区域5的目标拜访次数150小于其拜访次数阈值200，则确定目标商户聚集区域5为一个业务区域。
在一些可行的实施方式中，终端获取各个目标商户聚集区域的拜访次数阈值具体可以包括：终端可以获取上述K个目标商户聚集区域对应的K个特征向量中与预测交易数量对应的K个第一特征值，并可以将该K个第一特征值中各个第一特征值除以单位交易阈值的商取整后的值确定为该各个第一特征值对应的目标商户聚集区域的拜访次数阈值。单位交易阈值可以为预设的值，单位交易阈值可以用于描述业务员等级为1的业务员拜访任一商户聚集区域所得的交易数量。例如，单位交易阈值为3，假设目标商户聚集区域4对应的特征向量Y4中与预测交易数量对应的第一特征值为80。终端计算第一特征值80除以单位交易阈值3所得的商(80/3＝26.67)取整后的值为26，并将取整后的值26确定为目标商户聚集区域4的拜访次数阈值26。
在本申请实施例中，终端通过获取M个商户聚集区域中各个商户聚集区域的区域数据，该区域数据中包括多种参数，该多种参数至少包括预测交易数量、业务员等级以及拜访次数。对该各个商户聚集区域的区域数据中各种参数进行特征处理，以得到该M个商户聚集区域对应的M个特征向量，再根据该M个特征向量中与预测交易数量对应的M个第一特征值，从该M个商户聚集区域中确定出K个目标商户聚集区域。根据该K个目标商户聚集区域对应的K个特征向量，从该K个目标商户聚集区域中筛选出至少一个业务区域。可以结合城市内商户聚集区域的综合情况，从这些商户聚集区域中筛选出优质的业务区域，以便于辅助业务员开展业务，提高开展业务的针对性。
参见图2，是本申请实施例提供的业务区域筛选方法的另一示意流程图。如图2所示，该业务区域筛选方法可包括步骤：
S201，获取M个商户聚集区域中各个商户聚集区域的区域数据。
S202，对各个商户聚集区域的区域数据中各种参数进行特征处理，以得到M个商户聚集区域对应的M个特征向量。
S203，根据M个特征向量中与预测交易数量对应的M个第一特征值，从M个商户聚集区域中确定出K个目标商户聚集区域。
在一些可行的实施方式中，本申请实施例中的步骤S201-步骤S203可参考图1所示实施例的步骤S101-步骤S103的实现方式，在此不再赘述。
S204，根据K个目标商户聚集区域对应的K个特征向量中每两个特征向量之间的欧氏距离，将K个目标商户聚集区域划分为Q个区域集合。
在一些可行的实施方式中，终端可以计算上述K个目标商户聚集区域对应的K个特征向量中每两个特征向量之间的欧氏距离，得到H个欧氏距离，并可以根据该H个欧氏距离将上述K个目标商户聚集区域划分为Q个区域集合。其中，H满足K*(K-1)/2。每个区域集合中可以包括至少2个目标商户聚集区域，每个区域集合中的任两个目标商户聚集区域对应的特征向量之间的欧氏距离小于预设距离阈值。M和K均可以为大于或等于2的整数，且K小于或等于M，Q可以为大于或等于1的整数。
例如，假设K＝5，5个目标商户聚集区域分别为A、B、C、D以及E。终端计算这5个目标商户聚集区域对应的5个特征向量中每两个特征向量之间的欧氏距离，得到H(5*(5-1)/2＝10)个欧氏距离。假设这10个欧氏距离分别为dAB＝0.08、dAC＝0.15、dAD＝0.22、dAE＝0.27、dBC＝0.17、dBD＝0.20、dBE＝0.16、dCD＝0.05、dCE＝0.09以及dDE＝0.04。假设预设距离阈值为0.1，终端根据这10个欧氏距离将这5个目标商户聚集区域划分为多个区域集合，每个区域集合中的任两个目标商户聚集区域对应的特征向量之间的欧氏距离小于预设距离阈值。那么由于dAB＝0.08小于预设距离阈值0.1，则dAB所对应的目标商户聚集区域A和B就为一个区域集合；dCD、dCE以及dDE均小于预设距离阈值0.1，dCD、dCE以及dDE分别对应的目标商户聚集区域C、D以及E就为另一个区域集合。
在一些可行的实施方式中，终端从M个商户聚集区域中确定出K个目标商户聚集区域之后，可以从该K个目标商户聚集区域中筛选出目标拜访次数小于各自的拜访次数阈值的多个区域，再根据筛选出的多个区域对应的特征向量中每两个特征向量之间的欧氏距离，将筛选出的多个区域划分为Q个区域集合。
S205，获取参考向量。
S206，计算Q个区域集合的每个区域集合中任选的N个目标商户聚集区域对应的特征向量与参考向量之间的欧氏距离，得到Q*N个欧氏距离。
S207，将Q*N个欧氏距离中大于目标欧氏距离的欧氏距离对应的目标商户聚集区域所属的区域集合确定为目标区域集合，将目标区域集合中的目标商户聚集区域确定为业务区域。
在一些可行的实施方式中，由于上述各个特征向量中包括的特征数量相同，故终端可以构建特征数量与特征向量中的特征数量相同且特征值均为0的参考向量。终端可以从该Q个区域集合的每个区域集合中任选N个目标商户聚集区域，共选出Q*N个目标商户聚集区域，并可以计算选出的Q*N个目标商户聚集区域对应的Q*N个特征向量中每个特征向量与该参考向量之间的欧氏距离，得到Q*N个欧氏距离。终端可以将该Q*N个欧氏距离中大于目标欧氏距离的欧氏距离对应的目标商户聚集区域所属的区域集合确定为目标区域集合，再可以将该目标区域集合中的所有目标商户聚集区域确定为业务区域。N可以为大于或等于2的整数。本申请实施例通过评估各个目标商户聚集区域的综合情况，将这些目标商户聚集区域在多个维度上表现不好的区域剔除，只保留在多个维度上表现相对较好的区域作为业务区域，可以使得筛选出来的业务区域更有效、更合理。
在一些可行的实施方式中，终端在得到Q*N个欧氏距离之后，可以获取距离筛选百分比，并可以计算Q*N与该距离筛选百分比的乘积取整后的值L。终端可以将该Q*N个欧氏距离按照从大到小进行排序，得到距离序列。终端可以将该距离序列中第L个欧氏距离确定为目标欧氏距离。终端再可以将该Q*N个欧氏距离中大于目标欧氏距离的欧氏距离对应的目标商户聚集区域所属的区域集合确定为目标区域集合，并可以将该目标区域集合中的所有目标商户聚集区域确定为业务区域。
例如，假设Q＝5，N＝3。终端从每个区域集合中任选3个目标商户聚集区域，共选出了3*5＝15个目标商户聚集区域。终端获取参考向量，假设参考向量为X＝[0,0,0,...,0]，参考向量X中的特征数量等于特征向量中的特征数量。终端计算选出的15个目标商户聚集区域对应的15个特征向量中每个特征向量与参考向量X之间的欧氏距离，得到15个欧氏距离。假设距离筛选百分比为65％，那么计算Q*N与该距离筛选百分比的乘积(3*5*65％＝9.75)取整后的值L为9。终端将15个欧氏距离按照从大到小排序，得到距离序列，将距离序列中的第9个欧氏距离确定为目标欧氏距离。终端将这15个欧氏距离分别与目标欧氏距离进行比较，将这15个欧氏距离中大于目标欧氏距离的欧氏距离对应的目标商户聚集区域所属的区域集合确定为目标区域集合，并可以将该目标区域集合中的所有目标商户聚集区域确定为业务区域。
在一些可行的实施方式中，终端可以根据业务员的各种信息，个性化的为不同业务员筛选业务区域。比如，终端获取业务员登录交易APP的身份信息，获取该身份信息中的身份标识，再获取该身份标识对应的业务员的类别。获取业务员的类别对应的筛选条件，根据这个筛选条件从上述K个目标商户聚集区域中筛选出多个业务区域，推送给业务员。例如，业务员A的类别为类别1，类别1表示善于开发新的区域，类型1对应的筛选条件为拜访次数低，其他指标也较为优秀的区域。又如，业务员B类别为类别4，类别4表示善于在密集的专业市场开展业务，则类型4对应的筛选条件为商户密度大，但其他指标也较为优秀的区域。
在本申请实施例中，终端通过获取M个商户聚集区域中各个商户聚集区域的区域数据，并对该各个商户聚集区域的区域数据中各种参数进行特征处理，以得到该M个商户聚集区域对应的M个特征向量，再根据该M个特征向量中与预测交易数量对应的M个第一特征值，从该M个商户聚集区域中确定出K个目标商户聚集区域。根据K个目标商户聚集区域对应的K个特征向量中每两个特征向量之间的欧氏距离，将K个目标商户聚集区域划分为Q个区域集合。获取参考向量，计算Q个区域集合的每个区域集合中任选的N个目标商户聚集区域对应的特征向量与参考向量之间的欧氏距离，得到Q*N个欧氏距离。将Q*N个欧氏距离中大于目标欧氏距离的欧氏距离对应的目标商户聚集区域所属的区域集合确定为目标区域集合，将目标区域集合中的目标商户聚集区域确定为业务区域。可以结合城市内商户聚集区域的综合情况，从这些商户聚集区域中筛选出优质的业务区域，以便于辅助业务员开展业务，提高开展业务的针对性。
参见图3，是本申请实施例提供的业务区域筛选装置的一结构性框图。本申请实施例的装置包括：
第一获取模块10，用于获取M个商户聚集区域中各个商户聚集区域的区域数据，该区域数据中包括多种参数，该多种参数至少包括预测交易数量、业务员等级以及拜访次数，M为大于或等于2的整数；
特征处理模块20，用于对该各个商户聚集区域的区域数据中各种参数进行特征处理，以得到该M个商户聚集区域对应的M个特征向量，其中一个商户聚集区域对应一个特征向量，一个特征向量中包括多个特征，各个特征向量中包括的特征数量相同，一个特征用于表示一种参数；
第一确定模块30，用于根据该M个特征向量中与预测交易数量对应的M个第一特征值，从该M个商户聚集区域中确定出K个目标商户聚集区域，每个目标商户聚集区域对应的特征向量中与预测交易数量对应的第一特征值大于或等于交易数量阈值，K为大于或等于2的整数且K小于M；
筛选模块40，用于根据该K个目标商户聚集区域对应的K个特征向量，从该K个目标商户聚集区域中筛选出至少一个业务区域；
其中，该业务区域的目标拜访次数小于该业务区域的拜访次数阈值，和/或该业务区域对应的特征向量与参考向量之间的欧氏距离大于目标欧氏距离，该目标拜访次数由该业务区域的拜访次数基于该业务区域的业务员等级换算得到，该参考向量中的特征数量与该业务区域对应的特征向量中的特征数量相同，且该参考向量中的特征值均为0。
在一些可行的实施方式中，如图4所示，是本申请实施例提供的筛选模块的一结构性框图。如图4，上述筛选模块40包括第一获取单元401、第一确定单元402、第二确定单元403、第二获取单元404以及第三确定单元405。
其中，第一获取单元401，用于获取该K个目标商户聚集区域对应的K个特征向量中与业务员等级对应的K个第二特征值以及与拜访次数对应的K个第三特征值；第一确定单元402，用于根据各个业务员等级对应的标准拜访次数，确定该K个第二特征值的每个第二特征值所对应的标准拜访次数；第二确定单元403，用于根据任一目标商户聚集区域对应的特征向量中的第三特征值与该任一目标商户聚集区域对应的特征向量中的第二特征值所对应的标准拜访次数，确定该任一目标商户聚集区域的目标拜访次数，以得到该K个目标商户聚集区域对应的K个目标拜访次数；第二获取单元404，用于获取各个目标商户聚集区域的拜访次数阈值；第三确定单元405，用于将该K个目标商户聚集区域中目标拜访次数小于对应的拜访次数阈值的至少一个目标商户聚集区域确定为业务区域以得到至少一个业务区域。
在一些可行的实施方式中，上述第二获取单元404具体用于：获取该K个目标商户聚集区域对应的K个特征向量中与预测交易数量对应的K个第一特征值；将该K个第一特征值中各个第一特征值除以单位交易阈值的商取整后的值确定为该各个第一特征值对应的目标商户聚集区域的拜访次数阈值。
在一些可行的实施方式中，如图4所示，上述筛选模块还包括划分单元406、第三获取单元407、计算单元408以及第四确定单元409。
划分单元406，用于根据该K个目标商户聚集区域对应的K个特征向量中每两个特征向量之间的欧氏距离，将该K个目标商户聚集区域划分为Q个区域集合；第三获取单元407，用于获取参考向量；计算单元408，用于计算该Q个区域集合的每个区域集合中任选的N个目标商户聚集区域对应的特征向量与该参考向量之间的欧氏距离，得到Q*N个欧氏距离，N为大于或等于2的整数；第四确定单元409，用于将该Q*N个欧氏距离中大于目标欧氏距离的欧氏距离对应的目标商户聚集区域所属的区域集合确定为目标区域集合，将该目标区域集合中的目标商户聚集区域确定为业务区域。其中，每个区域集合中包括至少两个目标商户聚集区域，该区域集合中任两个目标商户聚集区域对应的特征向量之间的欧氏距离小于预设距离阈值，Q为大于或等于1的整数。
在一些可行的实施方式中，该装置还包括第二获取模块50、计算模块60以及第二确定模块70。第二获取模块50，用于获取该M个商户聚集区域对应的M个特征向量中与预测交易数量对应的M个第一特征值，并将该M个第一特征值按照从大到小进行排序，得到预测交易序列；计算模块60，用于获取预设的筛选百分比，计算该筛选百分比与M之间的乘积取整后的值P；第二确定模块70，用于将该预测交易序列中的第P个第一特征值确定为交易数量阈值。
具体实现中，上述业务区域筛选装置可通过上述各个模块执行上述图1或图2所提供的实现方式中各个步骤所提供的实现方式，实现上述各实施例中所实现的功能，具体可参见上述图1或图2所示的方法实施例中各个步骤提供的相应描述，在此不再赘述。
在本申请实施例中，业务区域筛选装置通过获取M个商户聚集区域中各个商户聚集区域的区域数据，该区域数据中包括多种参数，该多种参数至少包括预测交易数量、业务员等级以及拜访次数。对该各个商户聚集区域的区域数据中各种参数进行特征处理，以得到该M个商户聚集区域对应的M个特征向量，再根据该M个特征向量中与预测交易数量对应的M个第一特征值，从该M个商户聚集区域中确定出K个目标商户聚集区域。根据该K个目标商户聚集区域对应的K个特征向量，从该K个目标商户聚集区域中筛选出至少一个业务区域。可以结合城市内商户聚集区域的综合情况，从这些商户聚集区域中筛选出优质的业务区域，以便于辅助业务员开展业务，提高开展业务的针对性。
参见图5，是本申请实施例提供的终端的一结构性框图。如图5所示，本申请实施例中的终端可以包括：一个或多个处理器501；存储器502。上述处理器501和存储器502通过总线503连接。存储器502用于存储计算机程序，所述计算机程序包括程序指令，处理器501用于执行存储器502存储的程序指令。其中，处理器501被配置用于调用所述程序指令执行：
获取M个商户聚集区域中各个商户聚集区域的区域数据，该区域数据中包括多种参数，该多种参数至少包括预测交易数量、业务员等级以及拜访次数，M为大于或等于2的整数；对该各个商户聚集区域的区域数据中各种参数进行特征处理，以得到该M个商户聚集区域对应的M个特征向量，其中一个商户聚集区域对应一个特征向量，一个特征向量中包括多个特征，各个特征向量中包括的特征数量相同，一个特征用于表示一种参数；根据该M个特征向量中与预测交易数量对应的M个第一特征值，从该M个商户聚集区域中确定出K个目标商户聚集区域，每个目标商户聚集区域对应的特征向量中与预测交易数量对应的第一特征值大于或等于交易数量阈值，K为大于或等于2的整数且K小于M；根据该K个目标商户聚集区域对应的K个特征向量，从该K个目标商户聚集区域中筛选出至少一个业务区域。其中，该业务区域的目标拜访次数小于该业务区域的拜访次数阈值，和/或该业务区域对应的特征向量与参考向量之间的欧氏距离大于目标欧氏距离，该目标拜访次数由该业务区域的拜访次数基于该业务区域的业务员等级换算得到，该参考向量中的特征数量与该业务区域对应的特征向量中的特征数量相同，且该参考向量中的特征值均为0。
应当理解，在本申请实施例中，所称处理器501可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal 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。
该存储器502可以包括只读存储器和随机存取存储器，并向处理器501提供指令和数据。存储器502的一部分还可以包括非易失性随机存取存储器。例如，存储器502还可以存储设备类型的信息。
具体实现中，本申请实施例中所描述的处理器501可执行本申请实施例提供的业务区域筛选方法中所描述的实现方式，也可执行本申请实施例所描述的业务区域筛选装置的实现方式，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包括程序指令，该程序指令被处理器执行时实现图1或图2所示的业务区域筛选方法，具体细节请参照图1或图2所示实施例的描述，在此不再赘述。
上述计算机可读存储介质可以是前述任一实施例所述的业务区域筛选装置或电子设备的内部存储单元，例如电子设备的硬盘或内存。该计算机可读存储介质也可以是该电子设备的外部存储设备，例如该电子设备上配备的插接式硬盘，智能存储卡(smartmedia card,SMC)，安全数字(secure digital,SD)卡，闪存卡(flash card)等。进一步地，该计算机可读存储介质还可以既包括该电子设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该电子设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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申请的范围。
本申请是参照本申请实施例的方法、装置和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程诊疗数据的处理设备的处理器以产生一个机器，使得通过计算机或其他可编程诊疗数据的处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程诊疗数据的处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程诊疗数据的处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种业务区域筛选方法，其特征在于，包括：
获取M个商户聚集区域中各个商户聚集区域的区域数据，所述区域数据中包括多种参数，所述多种参数至少包括预测交易数量、业务员等级以及拜访次数，M为大于或等于2的整数；
对所述各个商户聚集区域的区域数据中各种参数进行特征处理，以得到所述M个商户聚集区域对应的M个特征向量，其中一个商户聚集区域对应一个特征向量，一个特征向量中包括多个特征，各个特征向量中包括的特征数量相同，一个特征用于表示一种参数；
根据所述M个特征向量中与预测交易数量对应的M个第一特征值，从所述M个商户聚集区域中确定出K个目标商户聚集区域，每个目标商户聚集区域对应的特征向量中与预测交易数量对应的第一特征值大于或等于交易数量阈值，K为大于或等于2的整数且K小于M；
根据所述K个目标商户聚集区域对应的K个特征向量，从所述K个目标商户聚集区域中筛选出至少一个业务区域；
其中，所述业务区域的目标拜访次数小于所述业务区域的拜访次数阈值，和/或所述业务区域对应的特征向量与参考向量之间的欧氏距离大于目标欧氏距离，所述目标拜访次数由所述业务区域的拜访次数基于所述业务区域的业务员等级换算得到，所述参考向量中的特征数量与所述业务区域对应的特征向量中的特征数量相同，且所述参考向量中的特征值均为0。
2.根据权利要求1所述的方法，其特征在于，所述根据所述K个目标商户聚集区域对应的K个特征向量，从所述K个目标商户聚集区域中筛选出至少一个业务区域，包括：
获取所述K个目标商户聚集区域对应的K个特征向量中与业务员等级对应的K个第二特征值以及与拜访次数对应的K个第三特征值；
根据各个业务员等级对应的标准拜访次数，确定所述K个第二特征值的每个第二特征值所对应的标准拜访次数；
根据任一目标商户聚集区域对应的特征向量中的第三特征值与所述任一目标商户聚集区域对应的特征向量中的第二特征值所对应的标准拜访次数，确定所述任一目标商户聚集区域的目标拜访次数，以得到所述K个目标商户聚集区域对应的K个目标拜访次数；
获取各个目标商户聚集区域的拜访次数阈值；
将所述K个目标商户聚集区域中目标拜访次数小于对应的拜访次数阈值的至少一个目标商户聚集区域确定为业务区域以得到至少一个业务区域。
3.根据权利要求2所述的方法，其特征在于，所述获取各个目标商户聚集区域的拜访次数阈值，包括：
获取所述K个目标商户聚集区域对应的K个特征向量中与预测交易数量对应的K个第一特征值；
将所述K个第一特征值中各个第一特征值除以单位交易阈值的商取整后的值确定为所述各个第一特征值对应的目标商户聚集区域的拜访次数阈值。
4.根据权利要求1所述的方法，其特征在于，所述根据所述K个目标商户聚集区域对应的K个特征向量，从所述K个目标商户聚集区域中筛选出至少一个业务区域，包括：
根据所述K个目标商户聚集区域对应的K个特征向量中每两个特征向量之间的欧氏距离，将所述K个目标商户聚集区域划分为Q个区域集合，每个区域集合中包括至少两个目标商户聚集区域，所述区域集合中任两个目标商户聚集区域对应的特征向量之间的欧氏距离小于预设距离阈值，Q为大于或等于1的整数；
获取参考向量；
计算所述Q个区域集合的每个区域集合中任选的N个目标商户聚集区域对应的特征向量与所述参考向量之间的欧氏距离，得到Q*N个欧氏距离，N为大于或等于2的整数；
将所述Q*N个欧氏距离中大于目标欧氏距离的欧氏距离对应的目标商户聚集区域所属的区域集合确定为目标区域集合，将所述目标区域集合中的目标商户聚集区域确定为业务区域。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述在根据所述M个特征向量中与预测交易数量对应的M个第一特征值，从所述M个商户聚集区域中确定出K个目标商户聚集区域之前，所述方法包括：
获取所述M个商户聚集区域对应的M个特征向量中与预测交易数量对应的M个第一特征值，并将所述M个第一特征值按照从大到小进行排序，得到预测交易序列；
获取预设的筛选百分比，计算所述筛选百分比与M之间的乘积取整后的值P；
将所述预测交易序列中的第P个第一特征值确定为交易数量阈值。
6.一种业务区域筛选装置，其特征在于，包括：
第一获取模块，用于获取M个商户聚集区域中各个商户聚集区域的区域数据，所述区域数据中包括多种参数，所述多种参数至少包括预测交易数量、业务员等级以及拜访次数，M为大于或等于2的整数；
特征处理模块，用于对所述各个商户聚集区域的区域数据中各种参数进行特征处理，以得到所述M个商户聚集区域对应的M个特征向量，其中一个商户聚集区域对应一个特征向量，一个特征向量中包括多个特征，各个特征向量中包括的特征数量相同，一个特征用于表示一种参数；
第一确定模块，用于根据所述M个特征向量中与预测交易数量对应的M个第一特征值，从所述M个商户聚集区域中确定出K个目标商户聚集区域，每个目标商户聚集区域对应的特征向量中与预测交易数量对应的第一特征值大于或等于交易数量阈值，K为大于或等于2的整数且K小于M；
筛选模块，用于根据所述K个目标商户聚集区域对应的K个特征向量，从所述K个目标商户聚集区域中筛选出至少一个业务区域；
其中，所述业务区域的目标拜访次数小于所述业务区域的拜访次数阈值，和/或所述业务区域对应的特征向量与参考向量之间的欧氏距离大于目标欧氏距离，所述目标拜访次数由所述业务区域的拜访次数基于所述业务区域的业务员等级换算得到，所述参考向量中的特征数量与所述业务区域对应的特征向量中的特征数量相同，且所述参考向量中的特征值均为0。
7.根据权利要求6所述的装置，其特征在于，所述筛选模块包括：
第一获取单元，用于获取所述K个目标商户聚集区域对应的K个特征向量中与业务员等级对应的K个第二特征值以及与拜访次数对应的K个第三特征值；
第一确定单元，用于根据各个业务员等级对应的标准拜访次数，确定所述K个第二特征值的每个第二特征值所对应的标准拜访次数；
第二确定单元，用于根据任一目标商户聚集区域对应的特征向量中的第三特征值与所述任一目标商户聚集区域对应的特征向量中的第二特征值所对应的标准拜访次数，确定所述任一目标商户聚集区域的目标拜访次数，以得到所述K个目标商户聚集区域对应的K个目标拜访次数；
第二获取单元，用于获取各个目标商户聚集区域的拜访次数阈值；
第三确定单元，用于将所述K个目标商户聚集区域中目标拜访次数小于对应的拜访次数阈值的至少一个目标商户聚集区域确定为业务区域以得到至少一个业务区域。
8.根据权利要求6所述的装置，其特征在于，所述第二获取单元具体用于：
获取所述K个目标商户聚集区域对应的K个特征向量中与预测交易数量对应的K个第一特征值；
将所述K个第一特征值中各个第一特征值除以单位交易阈值的商取整后的值确定为所述各个第一特征值对应的目标商户聚集区域的拜访次数阈值。
9.一种终端，其特征在于，包括处理器和存储器，所述处理器和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-5任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-5任一项所述的方法。
CN201910534158.XA 2019-06-18 2019-06-18 一种业务区域筛选方法及装置 Pending CN110322287A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910534158.XA CN110322287A (zh) 2019-06-18 2019-06-18 一种业务区域筛选方法及装置
PCT/CN2019/116994 WO2020253037A1 (zh) 2019-06-18 2019-11-11 一种目标区域筛选方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910534158.XA CN110322287A (zh) 2019-06-18 2019-06-18 一种业务区域筛选方法及装置

Publications (1)

Publication Number Publication Date
CN110322287A true CN110322287A (zh) 2019-10-11

Family

ID=68119863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910534158.XA Pending CN110322287A (zh) 2019-06-18 2019-06-18 一种业务区域筛选方法及装置

Country Status (2)

Country Link
CN (1) CN110322287A (zh)
WO (1) WO2020253037A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020253037A1 (zh) * 2019-06-18 2020-12-24 平安普惠企业管理有限公司 一种目标区域筛选方法及装置
CN112862514A (zh) * 2019-11-27 2021-05-28 北京沃东天骏信息技术有限公司 数据处理方法及装置、电子设备、计算机可读存储介质
CN113793171A (zh) * 2021-08-27 2021-12-14 浙江新再灵科技股份有限公司 基于多维数据的区域划分方法、装置、存储介质及设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10496927B2 (en) * 2014-05-23 2019-12-03 DataRobot, Inc. Systems for time-series predictive data analytics, and related methods and apparatus
TWI557665B (zh) * 2014-11-11 2016-11-11 Commerce Dev Res Inst Target Business Area Strength Evaluation System and Method
CN109658172A (zh) * 2017-12-13 2019-04-19 美味不用等（上海）信息科技股份有限公司 一种商圈推荐方法、计算设备、装置及存储介质
CN109697637B (zh) * 2018-12-27 2022-08-26 拉扎斯网络科技（上海）有限公司 对象类别确定方法、装置、电子设备及计算机存储介质
CN110322287A (zh) * 2019-06-18 2019-10-11 平安普惠企业管理有限公司 一种业务区域筛选方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020253037A1 (zh) * 2019-06-18 2020-12-24 平安普惠企业管理有限公司 一种目标区域筛选方法及装置
CN112862514A (zh) * 2019-11-27 2021-05-28 北京沃东天骏信息技术有限公司 数据处理方法及装置、电子设备、计算机可读存储介质
CN113793171A (zh) * 2021-08-27 2021-12-14 浙江新再灵科技股份有限公司 基于多维数据的区域划分方法、装置、存储介质及设备
CN113793171B (zh) * 2021-08-27 2023-11-07 浙江新再灵科技股份有限公司 基于多维数据的区域划分方法、装置、存储介质及设备

Also Published As

Publication number Publication date
WO2020253037A1 (zh) 2020-12-24

Similar Documents

Publication Publication Date Title
Viegas et al. Solutions for detection of non-technical losses in the electricity grid: A review
CN110322287A (zh) 一种业务区域筛选方法及装置
Nizar et al. Identification and detection of electricity customer behaviour irregularities
CN111553516A (zh) 一种短期电量负荷精准预测方法
CN111709756A (zh) 一种可疑社团的识别方法、装置、存储介质和计算机设备
CN108802535A (zh) 筛选方法、主干扰源识别方法及装置、服务器及存储介质
CN110335068A (zh) 一种商户聚集区域确定方法及装置
CN108389060A (zh) 顾客忠诚度信息处理方法及装置
US20140089040A1 (en) System and Method for Customer Experience Measurement & Management
CN110310153A (zh) 一种交易预测方法及装置
CN110335067A (zh) 一种交易预测模型构建方法及装置
CN104502692B (zh) 电量异动的检测方法及中央处理设备
US20140067325A1 (en) Analytics in a Utility Infrastructure
CN109255538A (zh) 银行网点选址的评估方法和系统、服务器、存储介质
CN107705175B (zh) 确定用户与商户之间相似度的方法、装置及电子设备
CN109859035A (zh) 一种应用产品功能测试的数据处理方法、装置及系统
CN109933605A (zh) 电费差错排查方法、装置以及电子设备
CN115130811A (zh) 电力用户画像的建立方法、装置及电子设备
CN109976986B (zh) 异常设备的检测方法及装置
Santillán-Saldivar et al. Economic value dissipation potential (EVDP): an improved method to estimate the potential economic value loss due to resource dissipation in life cycle assessment
CN108985595A (zh) 基于交易方互评的移动交易服务评价方法及装置
CN112508260A (zh) 基于对比学习的配电变压器中长期负荷预测方法及装置
Ding et al. A framework for short-term activity-aware load forecasting
CN114723554B (zh) 异常账户识别方法及装置
CN116430207A (zh) 芯片的pat参数确定方法、装置、电子设备及存储介质

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