CN110766185A - 用户量的确定方法和系统、计算机系统 - Google Patents
用户量的确定方法和系统、计算机系统 Download PDFInfo
- Publication number
- CN110766185A CN110766185A CN201810832222.8A CN201810832222A CN110766185A CN 110766185 A CN110766185 A CN 110766185A CN 201810832222 A CN201810832222 A CN 201810832222A CN 110766185 A CN110766185 A CN 110766185A
- Authority
- CN
- China
- Prior art keywords
- time period
- active
- amount
- user
- active users
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000014759 maintenance of location Effects 0.000 claims description 61
- 230000000717 retained effect Effects 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000005311 autocorrelation function Methods 0.000 description 6
- 230000036961 partial effect Effects 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002238 attenuated effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种用户量的确定方法,包括获取第一时间段内新增的第一活跃用户量;获取第二时间段内的活跃用户留存到第一时间段内的第二活跃用户量,其中,第二时间段时间上早于第一时间段;根据第一活跃用户量与第二活跃用户量确定第一时间段内的活跃用户总量;以及输出第一时间段内的活跃用户总量。本公开还提供了一种用户量的确定系统、一种计算机系统和一种计算机可读存储介质。
Description
技术领域
本公开涉及互联网技术领域,更具体地,涉及一种用户量的确定方法和系统、计算机系统和计算机可读存储介质。
背景技术
随着互联网技术的快速发展,使得互联网行业瞬息万变。但一般地,互联网企业或者产品的生命周期包括以下几个阶段:用户量初步积累期,用户量快速增长期,用户量稳定增长期,用户量稳定期和衰退期。在这个生命周期中有一个关键点,就是初步积累期和快速增长期之间的转折点-即爆发点。绝大多数互联网创业企业或者产品在爆发点之前就已经失败了。能到达快速增长期、稳定增长期和稳定期的企业或者产品才能算是成功了。因此在互联网运营分析中,运营方需要实时地去监控产品的活跃用户数量,确定企业或者产品正处于生命周期的哪一步,避免因为进入衰退期而浑然不知,用户流失严重将导致企业或者产品失败。
相关技术通过预测活跃用户数量可以提早进行企业战略调整和资源配置来优化产品。预测是指在掌握现有信息的基础上,依照一定的方法和规律对未来的事情进行测算,以预先了解事情发展的过程和结果。相关技术中的预测方法主要包括计算活跃用户增长的同比、环比或者是做一些线性回归之类。但是这些方法通常是基于数据本身呈现的比较明显的趋势或者特征,如果数据本身变化较大,例如,双十一期间,活跃用户数量相较于九月十月增量非常大,可能形成活跃用户数量的极值点,而极值点对预测模型的拟合影响非常大,使得数据没有明显规律或特征,因此采用上述方法来做预测往往不尽如人意。
在实现本公开构思的过程中,发明人发现相关技术中至少存在如下问题:采用相关技术预测活跃用户数量容易受数据本身变化大的影响,导致预测效果差。
发明内容
有鉴于此,本公开提供了一种用户量的确定方法和系统、计算机系统和计算机可读存储介质。
本公开的一个方面提供了一种用户量的确定方法,包括获取第一时间段内新增的第一活跃用户量;获取第二时间段内的活跃用户留存到上述第一时间段内的第二活跃用户量,其中,上述第二时间段时间上早于上述第一时间段;根据上述第一活跃用户量与上述第二活跃用户量确定上述第一时间段内的活跃用户总量;以及输出上述第一时间段内的活跃用户总量。
根据本公开的实施例,上述第二时间段包括多个第二子时间段,上述多个第二子时间段组成上述第二时间段,获取第二时间段内的活跃用户留存到上述第一时间段内的第二活跃用户量包括获取上述多个第二子时间段中的每个第二子时间段内的活跃用户分别留存到上述第一时间段内的第三活跃用户量,得到多个第三活跃用户量;以及基于上述多个第三活跃用户量确定上述第二时间段内的活跃用户留存到上述第一时间段内的第二活跃用户量。
根据本公开的实施例,其中:获取上述多个第二子时间段中的每个第二子时间段内的活跃用户分别留存到上述第一时间段内的第三活跃用户量包括:获取上述每个第二子时间段内新增的活跃用户分别留存到上述第一时间段内的第四活跃用户量,得到多个第四活跃用户量;以及基于上述多个第四活跃用户量确定上述第二时间段内的活跃用户留存到上述第一时间段内的第二活跃用户量。
根据本公开的实施例,获取第一时间段内新增的第一活跃用户量包括获取通过新增用户模型预测的上述第一时间段内新增的第一活跃用户量,其中,上述新增用户模型是基于上述每个第二子时间段内新增的活跃用户确定的,上述新增用户模型用于预测一时间段内的新增用户量。
根据本公开的实施例,其中:获取上述多个第二子时间段中的每个第二子时间段内的活跃用户分别留存到上述第一时间段内的第三活跃用户量包括:获取上述每个第二子时间段内新增的活跃用户分别留存到其它时间段内的活跃用户量,其中,上述其它时间段至少包括上述第一时间段;以及根据上述每个第二子时间段内新增的活跃用户分别留存到其它时间段内的活跃用户量确定留存率模型,其中,上述留存率模型用于预测一时间段内的活跃用户留存到该时间段之后的其它时间段内的活跃用户的留存率。
本公开的另一个方面提供了一种用户量的确定系统,包括第一获取模块、第二获取模块、第一确定模块和输出模块。第一获取模块用于获取第一时间段内新增的第一活跃用户量;第二获取模块用于获取第二时间段内的活跃用户留存到上述第一时间段内的第二活跃用户量,其中,上述第二时间段时间上早于上述第一时间段;第一确定模块用于根据上述第一活跃用户量与上述第二活跃用户量确定上述第一时间段内的活跃用户总量;以及输出模块用于输出上述第一时间段内的活跃用户总量。
根据本公开的实施例,上述第二时间段包括多个第二子时间段,上述多个第二子时间段组成上述第二时间段,上述第二获取模块包括获取单元和确定单元。获取单元用于获取上述多个第二子时间段中的每个第二子时间段内的活跃用户分别留存到上述第一时间段内的第三活跃用户量,得到多个第三活跃用户量;以及确定单元用于基于上述多个第三活跃用户量确定上述第二时间段内的活跃用户留存到上述第一时间段内的第二活跃用户量。
根据本公开的实施例,其中:上述获取单元包括第一获取子单元,用于获取上述每个第二子时间段内新增的活跃用户分别留存到上述第一时间段内的第四活跃用户量,得到多个第四活跃用户量;以及上述确定单元包括第一确定子单元,用于基于上述多个第四活跃用户量确定上述第二时间段内的活跃用户留存到上述第一时间段内的第二活跃用户量。
根据本公开的实施例,上述第一获取模块用于获取通过新增用户模型预测的上述第一时间段内新增的第一活跃用户量,其中,上述新增用户模型是基于上述每个第二子时间段内新增的活跃用户确定的,上述新增用户模型用于预测一时间段内的新增用户量。
根据本公开的实施例,上述获取单元包括第二获取子单元,用于获取上述每个第二子时间段内新增的活跃用户分别留存到其它时间段内的活跃用户量,其中,上述其它时间段至少包括上述第一时间段;以及上述系统还包括第二确定模块,用于用于根据上述每个第二子时间段内新增的活跃用户分别留存到其它时间段内的活跃用户量确定留存率模型,其中,上述留存率模型用于预测一时间段内的活跃用户留存到该时间段之后的其它时间段内的活跃用户的留存率。
本公开的另一个方面提供了一种计算机系统,包括一个或多个处理器;存储器,用于存储一个或多个程序,其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如上所述的用户量的确定方法。
本公开的另一个方面提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现如上所述的用户量的确定方法。
本公开的另一方面提供了一种计算机程序,上述计算机程序包括计算机可执行指令,上述指令在被执行时用于实现如上所述的用户量的确定方法。
根据本公开的实施例,采用了根据留存到第一时间段内的第二活跃用户量和第一时间段内新增的第一活跃用户量确定第一时间段内的活跃用户总量的技术手段,由于不是根据不同时间段内的活跃用户拟合的数据模型去确定第一时间段内的活跃用户总量,而是根据第二时间段内的活跃用户留存到第一时间段内的第二活跃用户量和第一时间段内新增的第一活跃用户量确定第一时间段内的活跃用户总量,所以至少部分地克服了相关技术中预测活跃用户量容易受数据本身变化大的影响的技术问题,进而达到了提高活跃用户量预测准确性的技术效果。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的可以应用用户量的确定方法及系统的示例性系统架构;
图2示意性示出了根据本公开实施例的用户量的确定方法的流程图;
图3示意性示出了根据本公开实施例的获取第二时间段内的活跃用户留存到第一时间段内的第二活跃用户量的流程图;
图4示意性示出了根据本公开另一实施例的获取第二时间段内的活跃用户留存到第一时间段内的第二活跃用户量的流程图;
图5示意性示出了根据本公开实施例的不同月份的用户量数据折线图;
图6示意性示出了根据本公开实施例的对数据进行平稳型分析后的示意图;
图7示意性示出了根据本公开实施例的数据分布的示意图;
图8示意性示出了根据本公开实施例的留存率的趋势图;
图9示意性示出了根据本公开实施例的衰减幂函数的示意图;
图10示意性示出了根据本公开实施例的用户量的确定系统的框图;
图11示意性示出了根据本公开实施例的第二获取模块的框图;
图12示意性示出了根据本公开另一实施例的第二获取模块的框图;
图13示意性示出了根据本公开另一实施例的用户量的确定系统的框图;以及
图14示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机系统的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。本领域技术人员还应理解,实质上任意表示两个或更多可选项目的转折连词和/或短语,无论是在说明书、权利要求书还是附图中,都应被理解为给出了包括这些项目之一、这些项目任一方、或两个项目的可能性。例如,短语“A或B”应当被理解为包括“A”或“B”、或“A和B”的可能性。
本公开的实施例提供了一种用户量的确定方法及系统,该方法包括获取第一时间段内新增的第一活跃用户量;获取第二时间段内的活跃用户留存到第一时间段内的第二活跃用户量,其中,第二时间段时间上早于第一时间段;根据第一活跃用户量与第二活跃用户量确定第一时间段内的活跃用户总量;以及输出第一时间段内的活跃用户总量。
图1示意性示出了根据本公开实施例的可以应用用户量的确定方法及系统的示例性系统架构。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103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、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103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105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的用户量的确定方法一般可以由服务器105执行。相应地,本公开实施例所提供的用户量的确定系统一般可以设置于服务器105中。本公开实施例所提供的用户量的确定方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的用户量的确定系统也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者,本公开实施例所提供的用户量的确定方法也可以由终端设备101、102、或103执行,或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地,本公开实施例所提供的用户量的确定系统也可以设置于终端设备101、102、或103中,或设置于不同于终端设备101、102、或103的其他终端设备中。
例如,不同时间段内的活跃用户量可以原本存储在终端设备101、102、或103中的任意一个(例如,终端设备101,但不限于此)之中,或者存储在外部存储设备上并可以导入到终端设备101中。然后,终端设备101可以在本地执行本公开实施例所提供的用户量的确定方法,或者将不同时间段内的活跃用户量发送到其他终端设备、服务器、或服务器集群,并由接收该不同时间段内的活跃用户量的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的用户量的确定方法。
应该理解,图1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。
图2示意性示出了根据本公开实施例的用户量的确定方法的流程图。
如图2所示,该方法包括操作S210~S240。
在操作S210,获取第一时间段内新增的第一活跃用户量。
在操作S220,获取第二时间段内的活跃用户留存到第一时间段内的第二活跃用户量,其中,第二时间段时间上早于第一时间段。
根据本公开的实施例,分析活跃用户留存问题可以采用同期群分析方法(CohortAnalysis,亦称群组分析),主要目的是分析相似群体随时间的变化(比如用户的回访),同期群分析可用留存率表格进行分析。具体地,如表1所示。
表1
周期 | T+0 | T+1 | T+2 | T+3 | T+4 | T+5 | T+6 | T+7 | T+8 |
2017-01 | X1 | X2 | X3 | X4 | X5 | X6 | X7 | X8 | X9 |
2017-02 | X10 | X11 | X12 | X13 | X14 | X15 | X16 | X17 | |
2017-03 | X18 | X19 | X20 | X21 | X22 | X23 | X24 | ||
2017-04 | X25 | X26 | X27 | X28 | X29 | X30 | |||
2017-05 | X31 | X32 | X33 | X34 | X35 | ||||
2017-06 | X36 | X37 | X38 | X39 | |||||
2017-07 | X40 | X41 | X42 | ||||||
2017-08 | X43 | X44 | |||||||
2017-09 | X45 | ||||||||
均值 | Y1 | Y2 | Y3 | Y4 | Y5 | Y6 | Y7 | Y8 | Y9 |
在表1中,从每一行可以看出具体某个月份在之后各月的活跃用户留存情况,例如,2017年1月留存到2017年2月份的用户留存量为X2,2017年1月留存到2017年3月份的用户留存量为X3,2017年1月留存到2017年4月份的用户留存量为X4,以此类推。从每一列的均值可以得知各月月份在之后各月的平均留存情况。例如,2017年1月至2017年9月在之后的第一个月的平均留存量为T+1对应的均值Y2。2017年1月至2017年9月在之后的第二个月的平均留存量为T+2对应的均值Y3。
在操作S230,根据第一活跃用户量与第二活跃用户量确定第一时间段内的活跃用户总量。
在操作S240,输出第一时间段内的活跃用户总量。
通过本公开的实施例,第一时间段和第二时间段可以是半个月、一个月或者半年等其它时间段。
通过本公开的实施例,采用了根据留存到第一时间段内的第二活跃用户量和第一时间段内新增的第一活跃用户量确定第一时间段内的活跃用户总量的技术手段,由于不是根据不同时间段内的活跃用户拟合的数据模型去确定第一时间段内的活跃用户总量,而是根据第二时间段内的活跃用户留存到第一时间段内的第二活跃用户量和第一时间段内新增的第一活跃用户量确定第一时间段内的活跃用户总量,所以至少部分地克服了相关技术中预测活跃用户量容易受数据本身变化大的影响的技术问题,进而达到了提高活跃用户量预测准确性的技术效果。
下面参考图3~图8,结合具体实施例对图2所示的方法做进一步说明。
图3示意性示出了根据本公开实施例的获取第二时间段内的活跃用户留存到第一时间段内的第二活跃用户量的流程图。
根据本公开的实施例,第二时间段包括多个第二子时间段,多个第二子时间段组成第二时间段,如图3所示,该获取第二时间段内的活跃用户留存到第一时间段内的第二活跃用户量包括操作S221~S222。
在操作S221,获取多个第二子时间段中的每个第二子时间段内的活跃用户分别留存到第一时间段内的第三活跃用户量,得到多个第三活跃用户量。
根据本公开的实施例,以第二时间段为2017年1月至2017年6月期间的半年为例,第二子时间段为1个月为例,则第二时间段包括6个第二子时间段,每一个月为一个第二子时间段,以第一时间段为2017年7月为例,则可以获取2017年1月至2017年6月期间每个月内的活跃用户分别留存到2017年7月内的第三活跃用户量,得到多个第三活跃用户量。
在操作S222,基于多个第三活跃用户量确定第二时间段内的活跃用户留存到第一时间段内的第二活跃用户量。
根据本公开的实施例,可以将多个第三活跃用户量相加,得到的和作为第二时间段内的活跃用户留存到第一时间段内的第二活跃用户量。也可以为每个第二子时间段分别设置不同的权重,将每个第三活跃用户量和相应的权重相乘以后,再求和,将得到的和作为第二时间段内的活跃用户留存到第一时间段内的第二活跃用户量。
通过本公开的实施例,基于多个时间段中的活跃用户留存到第一时间段的活跃用户量,计算第二活跃用户量,从而确定第一时间段内的活跃用户总量,可以提高计算的准确度。
图4示意性示出了根据本公开另一实施例的获取第二时间段内的活跃用户留存到第一时间段内的第二活跃用户量的流程图。
如图4所示,根据本公开的实施例,获取多个第二子时间段中的每个第二子时间段内的活跃用户分别留存到第一时间段内的第三活跃用户量包括操作S223~S224。
在操作S223,获取每个第二子时间段内新增的活跃用户分别留存到第一时间段内的第四活跃用户量,得到多个第四活跃用户量。
在操作S224,基于多个第四活跃用户量确定第二时间段内的活跃用户留存到第一时间段内的第二活跃用户量。
根据本公开的实施例,例如,假定1月份新增用户数M,2月份的用户数=1月份新增用户数留存到2月份的用户数N+2月新增用户数O,3月份用户数=1月份新增用户数留存到3月的用户数P+2月份新增用户数留存到3月份的用户数Q+3月新增用户R,以此类推,总结起来就是:当月的活跃用户数=之前各月新增的活跃用户留存到本月的用户数+本月新增的活跃用户数。
通过本公开的实施例,将当月的活跃用户数拆解为之前各月份的留存用户及当月的新增用户数总和,可以更加准确的预测用户量。
根据本公开的实施例,获取第一时间段内新增的第一活跃用户量包括:获取通过新增用户模型预测的第一时间段内新增的第一活跃用户量,其中,新增用户模型是基于每个第二子时间段内新增的活跃用户确定的,新增用户模型用于预测一时间段内的新增用户量。
根据本公开的实施例,如果新用户数据变化比较稳定或者有规律,可以用同比,环比或用回归分析来进行预测,如果数据变化趋势较为复杂,则需要使用时间序列等方法来进行预测。
根据本公开的实施例,新增用户模型可以是采用ARIMA模型,即自回归移动平均模型,全称是(ARIMA,Autoregressive Integrated Moving Average Model)。也记作ARIMA(p,d,q),是统计模型(statistic model)中一种用来进行时间序列预测的模型。它的优点是模型比较简单,只需要内生变量。ARIMA模型有三个参数:p,d,q。
P:代表预测模型中采用的时序数据本身的滞后数,也叫做AR/Auto_Regressive项。
d:代表时序数据需要进行几阶差分化,才是稳定的,也叫作Integrated项。
q:代表预测模型中采用的预测误差的滞后数,也叫做MA/Moving Average项。
运用ARIMA模型的基本流程可以包括以下几步,首先对用户数据进行可视化,识别出平稳和非平稳的时间序列数据,其中,平稳的时间序列数据是指在某一时间段内变化规律稳定的数据,不平稳的时间序列数据是指在某一时间段内没有明显的变化规律的数据。然后对非平稳的时间序列数据做差分,得到平稳的时间序列数据,如果原始数据是平稳的,则不用做差分,如果一阶差分之后仍不平稳,则需要用一阶差分的值进行二阶差分,直到得到平稳的时间序列数据。之后,建立合适的模型,在平稳化处理后,若偏自相关函数是截尾的,而自相关函数是拖尾的,则建立AR模型。若偏自相关函数是拖尾的,而自相关函数是截尾的,则建立MA模型。若偏相关函数和自相关函数均是拖尾的,则序列适合ARIMA模型。在模型的阶数确定之后,需要确定ARIMA模型的参数,比较常用的是使用最小二乘法进行参数确定,最后判断残差序列是否为白噪声序列。
根据本公开的实施例,可以根据每个第二子时间段内新增的活跃用户确定新增用户模型。以下利用一段数据来确定新增用户模型并对新用户数进行预测。
图5示意性示出了根据本公开实施例的不同月份的用户量数据折线图。
如图5所示,不同月份的用户量是不同的。首先可以将已有各月的新增用户数导入到数据处理工具中,对数据绘图,观察是否为平稳时间序列。由于ARIMA模型对时间序列的要求是平稳型,因此需要先对数据进行平稳型分析。
图6示意性示出了根据本公开实施例的对数据进行平稳型分析后的示意图。从图6(a)和图6(b)中可以看出,图中的数据都在阴影区域中,因此,序列的自相关图(ACF)和偏自相关图(PACF)都是拖尾的,说明序列是平稳的,因此模型中参数d=0。接下来(3)确定ARIMA模型中p和q的参数,需要检查平稳时间序列的自相关图和偏相关图,并采用ARIMA模型的AIC法则:增加自由参数的数目提高了拟合的优良性,AIC鼓励数据拟合的优良性,但也要避免出现过度拟合。所以优先考虑AIC值最小的那个模型,由最优拟合结果可知:模型中的参数p=7,q=0。确定好模型的具体参数之后,此时模型符合ARIMA(7,0,0)模型,此时模型的公式为:
xt=-0.9888xt-1-0.9888xt-2+1.0008xt-3+0.676xt-4+0.676xt-5+0.0036xt-6+0.0036xt-7+ut
同时,需要对进行模型检验,观察ARIMA模型的残差是否是符合0-1正态分布,图7示意性示出了根据本公开实施例的数据分布的示意图,由图7所示,模型残差符合0-1正态分布,残差ut为白噪声序列,符合模型的检验要求。根据以上原则确定好最优模型以后,就可以利用模型来对未来的数据进行预测。
根据本公开的实施例,获取多个第二子时间段中的每个第二子时间段内的活跃用户分别留存到第一时间段内的第三活跃用户量包括获取每个第二子时间段内新增的活跃用户分别留存到其它时间段内的活跃用户量,其中,其它时间段至少包括第一时间段。
根据本公开的实施例,例如,第二子时间段包括1月份和2月份,第一时间段为3月份。1月份具有新增的活跃用户,2月份具有新增的活跃用户。可以获取1月份新增的活跃用户留存到2月份的活跃用户量、获取1月份新增的活跃用户留存到3月份的活跃用户量、获取2月份新增的活跃用户留存到3月份的活跃用户量。
根据每个第二子时间段内新增的活跃用户分别留存到其它时间段内的活跃用户量确定留存率模型,其中,留存率模型用于预测一时间段内的活跃用户留存到该时间段之后的其它时间段内的活跃用户的留存率。
根据本公开的实施例,可以根据每个第二子时间段内新增的活跃用户分别留存到其它时间段内的活跃用户量确定留存率。留存率是分析用户留存行为的指标,留存率的统计一般可以按照时间的跨度按(日、周、月)来统计,不同周期的留存率指标量级差异明显,但是无论哪种周期,都遵循相同的规律。下面用月留存来举例说明,以表2数据为例,如何确定留存率模型,表2是某产品的月留存率数据(根据同期群分析算出):
表2
月份 | T+1 | T+2 | T+3 | T+4 | T+5 | T+6 | T+7 | T+8 | *** |
均值 | 45% | 32% | 24% | 18% | 15% | 14% | 13% | 12% | *** |
从表2中可以看出,随时月份的增长,留存率逐渐降低,但是越往后,留存率下降的越来越缓慢。
图8示意性示出了根据本公开实施例的留存率的趋势图。
图9示意性示出了根据本公开实施例的衰减幂函数的示意图。
由图8和9可以看出,两者的趋势相似,留存率的趋势变化符合一个幂函数,因此可以用幂函数来拟合用户的留存率变化。
其中,幂函数的公式可以是f(x)=axb,(x=1,2,3...),x为月数。参数a是幂函数的起始点,即次月的留存率,b是幂函数衰减的趋势,代表留存率的衰减速度,b越小,幂函数衰减越快。
参数a和b可以通过模型公式反推出来,公式结算结果如下:
a=f(1)(即第一个月的留存率,同理f(2)为第二个月的留存率)。
b=avg(log2(f(2)/f(1)),log3(f(3)/f(1)),.....,logn(f(n)/f(1)))。
下面以上表2中的数据为例,如何通过该公式得到用户的留存率模型:
第一个月的留存率:f(1)=a=45%;
第二个月的留存率:f(2)=a2b=32%;
……
第八个月的留存率:f(8)=a8b=12%;
因此:f(2)/f(1)=2b=32%/45%=0.711;
f(3)/f(1)=3^b=24%/45%=0.533;
……
f(8)/f(1)=8b=12%/45%=0.267
对各等式中的b取均值,即得到留存率曲线中的参数b;
b=avg(log2(0.711),log3(0.533),.....,log8(0.267))=-0.619
经计算,某产品的用户的留存率模型为:
f(x)=0.45x-0.619,(x=1,2,3...)
通过该模型可预测T+9的留存率f(9)=0.45*9-0.619=11.5%,之后各月新增活跃用户留存到第n月的留存用户数=该月新增活跃用户*f(n)。
通过本公开的实施例,可以预测每个时间段中的活跃用户留存到其它时间段中的留存率,进而预测每个时间段的活跃用户留存量。
图10示意性示出了根据本公开实施例的用户量的确定系统的框图。
如图10所示,用户量的确定系统400包括第一获取模块410、第二获取模块420、第一确定模块430和输出模块440。
第一获取模块410用于获取第一时间段内新增的第一活跃用户量。
第二获取模块420用于获取第二时间段内的活跃用户留存到第一时间段内的第二活跃用户量,其中,第二时间段时间上早于第一时间段。
第一确定模块430用于根据第一活跃用户量与第二活跃用户量确定第一时间段内的活跃用户总量。
输出模块440用于输出第一时间段内的活跃用户总量。
通过本公开的实施例,采用了根据留存到第一时间段内的第二活跃用户量和第一时间段内新增的第一活跃用户量确定第一时间段内的活跃用户总量的技术手段,由于不是根据不同时间段内的活跃用户拟合的数据模型去确定第一时间段内的活跃用户总量,而是根据第二时间段内的活跃用户留存到第一时间段内的第二活跃用户量和第一时间段内新增的第一活跃用户量确定第一时间段内的活跃用户总量,所以至少部分地克服了相关技术中预测活跃用户量容易受数据本身变化大的影响的技术问题,进而达到了提高活跃用户量预测准确性的技术效果。
图11示意性示出了根据本公开实施例的第二获取模块的框图。
如图11所示,根据本公开的实施例,第二时间段包括多个第二子时间段,多个第二子时间段组成第二时间段,第二获取模块420包括获取单元421和确定单元422。
获取单元421用于获取多个第二子时间段中的每个第二子时间段内的活跃用户分别留存到第一时间段内的第三活跃用户量,得到多个第三活跃用户量。
确定单元422用于基于多个第三活跃用户量确定第二时间段内的活跃用户留存到第一时间段内的第二活跃用户量。
通过本公开的实施例,基于多个时间段中的活跃用户留存到第一时间段的活跃用户量,计算第二活跃用户量,从而确定第一时间段内的活跃用户总量,可以提高计算的准确度。
图12示意性示出了根据本公开另一实施例的第二获取模块的框图。
如图12所示,获取单元421包括第一获取子单元4211,用于获取每个第二子时间段内新增的活跃用户分别留存到第一时间段内的第四活跃用户量,得到多个第四活跃用户量。
确定单元422包括第一确定子单元4221,用于基于多个第四活跃用户量确定第二时间段内的活跃用户留存到第一时间段内的第二活跃用户量。
通过本公开的实施例,将当月的活跃用户数拆解为之前各月份的留存用户及当月的新增用户数总和,可以更加准确的预测用户量。
根据本公开的实施例,第一获取模块410用于获取通过新增用户模型预测的第一时间段内新增的第一活跃用户量,其中,新增用户模型是基于每个第二子时间段内新增的活跃用户确定的,新增用户模型用于预测一时间段内的新增用户量。
图13示意性示出了根据本公开另一实施例的用户量的确定系统的框图。
如图13所示,获取单元421包括第二获取子单元4212,用于获取每个第二子时间段内新增的活跃用户分别留存到其它时间段内的活跃用户量,其中,其它时间段至少包括第一时间段。
用户量的确定系统400还包括第二确定模块450,用于用于根据每个第二子时间段内新增的活跃用户分别留存到其它时间段内的活跃用户量确定留存率模型,其中,留存率模型用于预测一时间段内的活跃用户留存到该时间段之后的其它时间段内的活跃用户的留存率。
通过本公开的实施例,可以预测每个时间段中的活跃用户留存到其它时间段中的留存率,进而预测每个时间段的活跃用户留存量。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,第一获取模块410、第二获取模块420、第一确定模块430、输出模块440和第二确定模块450、获取单元421、确定单元422、第一获取子单元4211、第二获取子单元4212、第一确定子单元4221中的任意多个可以合并在一个模块/单元/子单元中实现,或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者,这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合,并在一个模块/单元/子单元中实现。根据本公开的实施例,第一获取模块410、第二获取模块420、第一确定模块430、输出模块440和第二确定模块450、获取单元421、确定单元422、第一获取子单元4211、第二获取子单元4212、第一确定子单元4221中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一获取模块410、第二获取模块420、第一确定模块430、输出模块440和第二确定模块450、获取单元421、确定单元422、第一获取子单元4211、第二获取子单元4212、第一确定子单元4221中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图14示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机系统的框图。图14示出的计算机系统仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图14所示,根据本公开实施例的计算机系统500包括处理器501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。处理器501例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器501还可以包括用于缓存用途的板载存储器。处理器501可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 503中,存储有系统500操作所需的各种程序和数据。处理器501、ROM 502以及RAM 503通过总线504彼此相连。处理器501通过执行ROM 502和/或RAM 503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 502和RAM 503以外的一个或多个存储器中。处理器501也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,系统500还可以包括输入/输出(I/O)接口505,输入/输出(I/O)接口505也连接至总线504。系统500还可以包括连接至I/O接口505的以下部件中的一项或多项:包括键盘、鼠标等的输入部分506;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507;包括硬盘等的存储部分508;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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,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510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508。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本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存储介质上的计算机程序,该计算机程序包含用于执行流程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509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被处理器501执行时,执行本公开实施例的系统中限定的功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开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可以是实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。计算机可读介质承载有一个或者多个程序,当一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储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、或者的任意合适的组合。在本公开中,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。而在本公开中,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存储介质,该计算机可读存储介质可以发送、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。计算机可读存储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、有线、光缆、射频信号等等,或者的任意合适的组合。
例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 502和/或RAM 503和/或ROM 502和RAM 503以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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,流程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,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,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,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。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (12)
1.一种用户量的确定方法,包括:
获取第一时间段内新增的第一活跃用户量;
获取第二时间段内的活跃用户留存到所述第一时间段内的第二活跃用户量,其中,所述第二时间段时间上早于所述第一时间段;
根据所述第一活跃用户量与所述第二活跃用户量确定所述第一时间段内的活跃用户总量;以及
输出所述第一时间段内的活跃用户总量。
2.根据权利要求1所述的方法,其中,所述第二时间段包括多个第二子时间段,所述多个第二子时间段组成所述第二时间段,获取第二时间段内的活跃用户留存到所述第一时间段内的第二活跃用户量包括:
获取所述多个第二子时间段中的每个第二子时间段内的活跃用户分别留存到所述第一时间段内的第三活跃用户量,得到多个第三活跃用户量;以及
基于所述多个第三活跃用户量确定所述第二时间段内的活跃用户留存到所述第一时间段内的第二活跃用户量。
3.根据权利要求2所述的方法,其中:
获取所述多个第二子时间段中的每个第二子时间段内的活跃用户分别留存到所述第一时间段内的第三活跃用户量包括:获取所述每个第二子时间段内新增的活跃用户分别留存到所述第一时间段内的第四活跃用户量,得到多个第四活跃用户量;以及
基于所述多个第四活跃用户量确定所述第二时间段内的活跃用户留存到所述第一时间段内的第二活跃用户量。
4.根据权利要求3所述的方法,其中,获取第一时间段内新增的第一活跃用户量包括:
获取通过新增用户模型预测的所述第一时间段内新增的第一活跃用户量,其中,所述新增用户模型是基于所述每个第二子时间段内新增的活跃用户确定的,所述新增用户模型用于预测一时间段内的新增用户量。
5.根据权利要求2所述的方法,其中:
获取所述多个第二子时间段中的每个第二子时间段内的活跃用户分别留存到所述第一时间段内的第三活跃用户量包括:获取所述每个第二子时间段内新增的活跃用户分别留存到其它时间段内的活跃用户量,其中,所述其它时间段至少包括所述第一时间段;以及
根据所述每个第二子时间段内新增的活跃用户分别留存到其它时间段内的活跃用户量确定留存率模型,其中,所述留存率模型用于预测一时间段内的活跃用户留存到该时间段之后的其它时间段内的活跃用户的留存率。
6.一种用户量的确定系统,包括:
第一获取模块,用于获取第一时间段内新增的第一活跃用户量;
第二获取模块,用于获取第二时间段内的活跃用户留存到所述第一时间段内的第二活跃用户量,其中,所述第二时间段时间上早于所述第一时间段;
第一确定模块,用于根据所述第一活跃用户量与所述第二活跃用户量确定所述第一时间段内的活跃用户总量;以及
输出模块,用于输出所述第一时间段内的活跃用户总量。
7.根据权利要求6所述的系统,其中,所述第二时间段包括多个第二子时间段,所述多个第二子时间段组成所述第二时间段,所述第二获取模块包括:
获取单元,用于获取所述多个第二子时间段中的每个第二子时间段内的活跃用户分别留存到所述第一时间段内的第三活跃用户量,得到多个第三活跃用户量;以及
确定单元,用于基于所述多个第三活跃用户量确定所述第二时间段内的活跃用户留存到所述第一时间段内的第二活跃用户量。
8.根据权利要求7所述的系统,其中:
所述获取单元包括:第一获取子单元,用于获取所述每个第二子时间段内新增的活跃用户分别留存到所述第一时间段内的第四活跃用户量,得到多个第四活跃用户量;以及
所述确定单元包括:第一确定子单元,用于基于所述多个第四活跃用户量确定所述第二时间段内的活跃用户留存到所述第一时间段内的第二活跃用户量。
9.根据权利要求8所述的系统,其中,所述第一获取模块用于获取通过新增用户模型预测的所述第一时间段内新增的第一活跃用户量,其中,所述新增用户模型是基于所述每个第二子时间段内新增的活跃用户确定的,所述新增用户模型用于预测一时间段内的新增用户量。
10.根据权利要求7所述的系统,其中,所述获取单元包括:第二获取子单元,用于获取所述每个第二子时间段内新增的活跃用户分别留存到其它时间段内的活跃用户量,其中,所述其它时间段至少包括所述第一时间段;以及所述系统还包括:
第二确定模块,用于用于根据所述每个第二子时间段内新增的活跃用户分别留存到其它时间段内的活跃用户量确定留存率模型,其中,所述留存率模型用于预测一时间段内的活跃用户留存到该时间段之后的其它时间段内的活跃用户的留存率。
11.一种计算机系统,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
其中,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权利要求1至5中任一项所述的用户量的确定方法。
12.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1至5中任一项所述的用户量的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810832222.8A CN110766185A (zh) | 2018-07-25 | 2018-07-25 | 用户量的确定方法和系统、计算机系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810832222.8A CN110766185A (zh) | 2018-07-25 | 2018-07-25 | 用户量的确定方法和系统、计算机系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110766185A true CN110766185A (zh) | 2020-02-07 |
Family
ID=69327483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810832222.8A Pending CN110766185A (zh) | 2018-07-25 | 2018-07-25 | 用户量的确定方法和系统、计算机系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766185A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311193A (zh) * | 2020-02-26 | 2020-06-19 | 百度在线网络技术(北京)有限公司 | 公共服务资源的配置方法和装置 |
CN111563026A (zh) * | 2020-04-28 | 2020-08-21 | 浙江每日互动网络科技股份有限公司 | 数据处理方法及装置、电子设备和计算机可读存储介质 |
CN112884503A (zh) * | 2021-01-21 | 2021-06-01 | 百果园技术(新加坡)有限公司 | 一种用户规模预测方法、装置、设备和介质 |
CN113610555A (zh) * | 2021-07-02 | 2021-11-05 | 北京达佳互联信息技术有限公司 | 目标应用的投放方法、装置、电子设备及存储介质 |
CN113763022A (zh) * | 2021-02-08 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 触达用户数的确定方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600344A (zh) * | 2016-12-30 | 2017-04-26 | 广州虎牙信息科技有限公司 | 目标产品活跃用户数据获取方法和装置 |
CN107038604A (zh) * | 2017-03-30 | 2017-08-11 | 腾讯科技(深圳)有限公司 | 产品对象用户数的展示方法和装置 |
-
2018
- 2018-07-25 CN CN201810832222.8A patent/CN110766185A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600344A (zh) * | 2016-12-30 | 2017-04-26 | 广州虎牙信息科技有限公司 | 目标产品活跃用户数据获取方法和装置 |
CN107038604A (zh) * | 2017-03-30 | 2017-08-11 | 腾讯科技(深圳)有限公司 | 产品对象用户数的展示方法和装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311193A (zh) * | 2020-02-26 | 2020-06-19 | 百度在线网络技术(北京)有限公司 | 公共服务资源的配置方法和装置 |
CN111311193B (zh) * | 2020-02-26 | 2023-09-22 | 百度在线网络技术(北京)有限公司 | 公共服务资源的配置方法和装置 |
CN111563026A (zh) * | 2020-04-28 | 2020-08-21 | 浙江每日互动网络科技股份有限公司 | 数据处理方法及装置、电子设备和计算机可读存储介质 |
CN111563026B (zh) * | 2020-04-28 | 2023-07-14 | 每日互动股份有限公司 | 数据处理方法及装置、电子设备和计算机可读存储介质 |
CN112884503A (zh) * | 2021-01-21 | 2021-06-01 | 百果园技术(新加坡)有限公司 | 一种用户规模预测方法、装置、设备和介质 |
CN113763022A (zh) * | 2021-02-08 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 触达用户数的确定方法、装置、设备及存储介质 |
CN113610555A (zh) * | 2021-07-02 | 2021-11-05 | 北京达佳互联信息技术有限公司 | 目标应用的投放方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7202432B2 (ja) | ヒープをため込んでいるスタックトレースを特定するための、スレッド強度とヒープ使用量との相関 | |
CN110766185A (zh) | 用户量的确定方法和系统、计算机系统 | |
US11294723B1 (en) | Autonomous application management for distributed computing systems | |
CN114416512A (zh) | 测试方法、装置、电子设备和计算机存储介质 | |
CN112506619A (zh) | 作业处理方法、装置、电子设备、存储介质和程序产品 | |
CN110635961B (zh) | 服务器的压测方法、装置和系统 | |
CN113076224B (zh) | 数据备份方法、数据备份系统、电子设备及可读存储介质 | |
CN112965916B (zh) | 页面测试方法、页面测试装置、电子设备及可读存储介质 | |
CN110569190A (zh) | 交易压力测试方法和装置、以及电子设备和可读存储介质 | |
CN111008767B (zh) | 互联网金融技术架构评估方法、装置、电子设备和介质 | |
CN110717992B (zh) | 调度模型的方法、装置、计算机系统和可读存储介质 | |
CN115408297A (zh) | 测试方法、装置、设备及介质 | |
CN114637809A (zh) | 同步延迟时间动态配置方法、装置、电子设备及介质 | |
CN113688160A (zh) | 数据处理方法、处理装置、电子设备及存储介质 | |
CN113760675A (zh) | 负载预测方法和装置、电子设备以及计算机可读存储介质 | |
CN110163706B (zh) | 用于生成信息的方法和装置 | |
CN113392010A (zh) | 公共组件测试方法、装置、电子设备及存储介质 | |
CN113436003A (zh) | 时长确定方法、装置、电子设备、介质和程序产品 | |
US11768845B2 (en) | Systems and methods automatically adjusting minimum support for routing mining | |
CN115312208B (zh) | 接诊数据展示方法、装置、设备、介质 | |
US11614982B1 (en) | Autonomous concurrency for serverless functions | |
US20230385755A1 (en) | Methods, systems, articles of manufacture and apparatus to regress independent and dependent variable data | |
US20220245393A1 (en) | Dynamic evaluation of model acceptability | |
CN113419922A (zh) | 主机批量作业运行数据的处理方法及装置 | |
CN112948269A (zh) | 信息处理方法、信息处理装置、电子设备及可读存储介质 |
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 |