CN111242506A - 影响订单转换的特征的确定方法、装置、设备及存储介质 - Google Patents
影响订单转换的特征的确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111242506A CN111242506A CN202010081832.6A CN202010081832A CN111242506A CN 111242506 A CN111242506 A CN 111242506A CN 202010081832 A CN202010081832 A CN 202010081832A CN 111242506 A CN111242506 A CN 111242506A
- Authority
- CN
- China
- Prior art keywords
- order
- data
- determining
- analysis model
- real
- 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
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000005587 bubbling Effects 0.000 claims abstract description 51
- 238000011156 evaluation Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 3
- 238000013486 operation strategy Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/06—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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供一种影响订单转换的特征的确定方法、装置、设备及存储介质，包括：利用历史订单的数据特征对预设模型进行训练，得到分析模型以及数据特征对应的评估指数；将实时冒泡订单输入分析模型得到预测结果，比对预测结果与实时冒泡订单对应的真实结果；根据预测结果与真实结果的比对结果，确定分析模型是否满足预设条件；若满足预设条件，则根据评估指数确定预设数量个影响订单有效转换的目标数据特征。本公开提供的方案中，在得到分析模型以及各个数据特征的评估指数之后，还可以利用实时冒泡订单对分析模型进行测试，从而确定符合当前情况的目标数据特征。
Description
技术领域
本公开涉及订单处理技术，尤其涉及一种影响订单转换的特征的确定方法、装置、设备及存储介质。
背景技术
目前，很多应用场景中都存在订单分析的需求，例如交通出行领域，需要根据已有的历史订单数据，分析出用户成功下单的因素。
现有技术中，通过对历史订单进行分析，得到一些成功影响用户下单的因素。并基于这些因素制订策略，从而提高订单转化率。
但是，基于这种方式确定出的影响用户下单的因素适用于历史订单所处的情况，随着时间的流逝，可能确定出的因素不再适用于当前情况，导致基于这些因素制订策略无法有效的提高订单转化率。
发明内容
本公开提供一种影响订单转换的特征的确定方法、装置、设备及存储介质，以解决现有技术中确定出的影响用户下单的因素适用于历史订单所处的情况，而不适用于当前情况，导致基于这些因素制订策略无法有效的提高订单转化率。
本公开的第一个方面是提供一种影响订单有效转换的特征的确定方法，包括：
获取历史订单中的数据特征，并利用所述数据特征对预设模型进行训练，得到分析模型以及所述数据特征对应的评估指数；
将实时冒泡订单输入所述分析模型得到预测结果，比对所述预测结果与所述实时冒泡订单对应的真实结果；
根据所述预测结果与所述真实结果的比对结果，确定所述分析模型是否满足预设条件；
若满足所述预设条件，则根据所述评估指数确定预设数量个影响订单有效转换的目标数据特征。
本公开的另一个方面是提供一种影响订单有效转换的特征的确定装置，包括：
训练模块，用于获取历史订单中的数据特征，并利用所述数据特征对预设模型进行训练，得到分析模型以及所述数据特征对应的评估指数；
测试模块，用于将实时冒泡订单输入所述分析模型得到预测结果，比对所述预测结果与所述实时冒泡订单对应的真实结果；
判断模块，用于根据所述预测结果与所述真实结果的比对结果，确定所述分析模型是否满足预设条件；
确定模块，用于若满足所述预设条件，则根据所述评估指数确定预设数量个影响订单有效转换的目标数据特征。
本公开的又一个方面是提供一种影响订单有效转换的特征的确定设备，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如上述第一方面所述的影响订单有效转换的特征的确定方法。
本公开的又一个方面是提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现如上述第一方面所述的影响订单有效转换的特征的确定方法。
本公开提供的影响订单转换的特征的确定方法、装置、设备及存储介质技术效果是：
本公开提供的影响订单转换的特征的确定方法、装置、设备及存储介质，包括：获取历史订单中的数据特征，并利用数据特征对预设模型进行训练，得到分析模型以及数据特征对应的评估指数；将实时冒泡订单输入分析模型得到预测结果，比对预测结果与实时冒泡订单对应的真实结果；根据预测结果与真实结果的比对结果，确定分析模型是否满足预设条件；若满足预设条件，则根据评估指数确定预设数量个影响订单有效转换的目标数据特征。本公开提供的方法、装置、设备及存储介质中，在得到分析模型以及各个数据特征的评估指数之后，还可以利用实时冒泡订单对分析模型进行测试，以确定利用历史数据训练的模型是否适应当前情况中的样本数据，从而确定符合当前情况的目标数据特征。避免利用一成不变的分析模型确定固定的目标数据特征，而这些目标数据特征与当前情况不符的问题。
附图说明
图1为本申请一示例性实施例示出冒泡订单展示界面示意图；
图2为本申请一示例性实施例示出的影响订单有效转换的特征的确定方法的流程图；
图3为本申请另一示例性实施例示出的影响订单有效转换的特征的确定方法的流程图；
图4为本申请一示例性实施例示出的冒泡订单与有效订单的对比示意图；
图5为本发明一示例性实施例示出的影响订单有效转换的特征的确定装置的结构图；
图6为本发明另一示例性实施例示出的影响订单有效转换的特征的确定装置的结构图；
图7为本发明一示例性实施例示出的影响订单有效转换的特征的确定设备的结构图。
具体实施方式
目前，在用户下单前，可以在终端中输入需求，终端可以将这些需求信息发送给服务器，服务器再向终端发送与该需求对应的冒泡订单。
图1为本申请一示例性实施例示出冒泡订单展示界面示意图。
如图1所示，11为用户输入的需求，服务器能够反馈相应的冒泡订单，如12所示出的部分。
用户可以通过冒泡订单了解订单信息，此后，用户可以下单也可以不下单，可以根据这一订单的转换过程分析出促使用户成功下单的因素是什么。
本实施例提供的方法中，冒泡订单是指通过用户操作，服务器向终端反馈的订单信息，用户可以通过冒泡订单了解下单后的有效订单信息。用户可以在终端侧进行操作，例如点击确认指令，从而将一冒泡订单转换为有效订单。
图2为本申请一示例性实施例示出的影响订单有效转换的特征的确定方法的流程图。
如图2所示，本实施例提供的影响订单有效转换的特征的确定方法，包括：
步骤201，获取历史订单中的数据特征，并利用数据特征对预设模型进行训练，得到分析模型以及数据特征对应的评估指数。
本实施例提供的方法可以由具备计算能力的电子设备来执行，例如可以是服务器，具体的形态可以是集群服务器、单台服务器、分布式服务器等。
其中，电子设备可以获取历史订单的数据。历史订单是指最近一段时间内的有效订单，半年内或一年内的用户下发的有效订单。比如用户甲在某天发出的网约车订单。
历史订单的数据可以是历史有效订单本身的数据，还可以是冒泡订单转换为有效订单的订单数据，比如包括冒泡订单数据以及对应的有效订单数据。
例如，用户在终端中输入订单需求后，服务器能够根据用户的订单需求反馈冒泡订单，若用户对该订单信息不满意，可以修改订单需求，从而使终端再次接收冒泡订单。这种情况下，可以获取冒泡订单的数据以及对应的有效订单数据，从而确定出影响用户下单的因素。
具体的，电子设备可以提取历史订单的数据特征，具体可以根据历史订单的数据确定数据特征。比如，订单中的规划路线特征、行驶时长，还可以包括该订单执行时的天气、路况等。
可以利用这些数据特征训练预设模型，得到分析模型。还可以利用分析模型确定各个数据特征的评估指数，从而确定各个数据特征对订单有效转换的影响程度。
预设模型例如可以是树型模型，可以利用机器学习技术对该模型进行训练。相应的，通过树型模型输出的数据特征对应的评估指数可以是基尼指数。树型模型确定的基尼指数用于表征根据一个特征对模型输入数据进行分类时的准确程度。
步骤202，将实时冒泡订单输入分析模型得到预测结果，比对预测结果与实时冒泡订单对应的真实结果。
进一步的，训练完毕的分析模型可以对冒泡订单进行分析，从而预测该冒泡订单能否被转换为有效订单。
实际应用时，可以根据分析模型输出的各个数据特征对应的评估指数，确定影响订单有效转换的因素。但是，只有在分析模型与当前情况相匹配的情况下，其输出的特征评估指数才有意义。比如，随着时间的流逝，根据历史数据学习得到的分析模型不适用于当前情况，那么其输出的特征评估指数与当前情况也会不相符，那么基于这些评估指数确定的影响订单有效转换的因素也就没有意义。
因此，本实施例提供的方法中，还通过实时冒泡订单对分析模型进行检测，以确定该模型是否适用于当前的情况。比如，可以将训练好的分析模型设置在线上服务器中，当用户在终端侧进行操作，服务器基于用户操作生成冒泡订单时，可以将冒泡订单输入分析模型中，使得分析模型能够输出一个预测结果。
其中，预测结果可以是该冒泡订单能否被有效转换为有效订单的结果，比如可以是1或0。1表示输入的冒泡订单能够被转换为有效订单，0表示输入的冒泡订单不能够被转换为有效订单。
具体的，还可以获取该冒泡订单对应的真实结果，即用户是否对该冒泡订单进行了下单操作。再比对冒泡订单对应的预测结果与真实结果。比对结果可以是一致或不一致。比如，分析模型输出一冒泡订单能够被转换为有效订单，而用户实际没有执行下单操作，则比对结果为不一致。
步骤203，根据预测结果与真实结果的比对结果，确定分析模型是否满足预设条件。
可以采集大量的实时冒泡订单及其对应的真实结果，来测试分析模型能够适用于当前情况。比如将当前以及以后5分钟之内，产生的冒泡订单作为输入结果输入分析模型，并采集这些冒泡订单对应的真实结果。
其中，还可以长期将分析模型放置在线上，从而利用实时的订单数据测试分析模型的准确性。比如，可以根据测试结果与真实结果的比对结果，计算分析模型输出结果的准确性概率，若这一概率低于阈值，则可以继续执行步骤201，采集更新的历史订单数据对其进行训练。
具体的，在确定分析模型是否准确时，还可以仅统计一段时间内其准确性概率，比如，将5分钟的时长作为一个时间段，统计每个时间段分析模型的准确性，若连续多个时间段内，其准确性概率都低于阈值，则可以认为模型输出结果不准确。
预设条件可以是预设的泛化能力，泛化能力(generalization ability)是指机器学习算法对新鲜样本的适应能力。通过历史订单数据训练得到的分析模型，若能够准确的对实时冒泡订单进行分析，则可以认为该分析模型能够适应当前情况，因此，模型中的参数也适用于当前情况。
步骤204，若满足预设条件，则根据评估指数确定预设数量个影响订单有效转换的目标数据特征。
进一步的，若分析模型满足预设条件，则可以确定该分析模型适应当前情况，能够根据训练结果确定影响订单有效转换的因素。
实际应用时，基于历史订单数据进行训练时，能够得到分析模型以及各个数据特征对应的评估指数。本实施例提供的方法中，可以利用该评估指数确定影响冒泡订单转换为有效订单的因素。
其中，可以通过分析模型确定评估指数。比如，预设模型是一树形模型时，对其进行训练得到的分析模型中具有基尼指数，通过基尼指数对输入的数据进行分析，进行分类，得到最终结果。例如，将一冒泡订单输入分析模型中，分析模型需要提取其中包括的数据特征，并利用基尼指数对根据这些数据特征进行分类，从而确定一分类结果。基尼指数能够用于表征根据一个特征对模型输入数据进行分类时的准确程度，因此，可以根据各个数据特征对应的基尼指数，确定一个数据特征对分类结果的影响程度。
具体的，可以根据评估指数对数据特征进行排序，并将排序靠前的预设数量个目标数据特征确定为对订单有效转换影响较大的特征。
进一步的，在确定了目标数据特征之后，还可以将其反馈给运营人员，以使运营人员基于这些特征设置运营策略。
实际应用时，可以基于步骤202-203对分析模型的准确性进行检测，在分析模型不适于当前状况的样本时，重新基于步骤201对其进行训练，并在分析模型适应当前情况中的样本后，再确定新的目标数据特征。
本实施例提供的方法用于确定影响订单有效转换的特征，该方法由设置有本实施例提供的方法的设备执行，该设备通常以硬件和/或软件的方式来实现。
本实施例提供的影响订单有效转换的特征的确定方法，包括：获取历史订单中的数据特征，并利用数据特征对预设模型进行训练，得到分析模型以及数据特征对应的评估指数；将实时冒泡订单输入分析模型得到预测结果，比对预测结果与实时冒泡订单对应的真实结果；根据预测结果与真实结果的比对结果，确定分析模型是否满足预设条件；若满足预设条件，则根据评估指数确定预设数量个影响订单有效转换的目标数据特征。本实施例提供的方法中，在得到分析模型以及各个数据特征的评估指数之后，还可以利用实时冒泡订单对分析模型进行测试，以确定利用历史数据训练的模型是否适应当前情况中的样本数据，从而确定符合当前情况的目标数据特征。避免利用一成不变的分析模型确定固定的目标数据特征，而这些目标数据特征与当前情况不符的问题。
图3为本申请另一示例性实施例示出的影响订单有效转换的特征的确定方法的流程图。
如图3所示，本实施例提供的影响订单有效转换的特征的确定方法，包括：
步骤301，获取历史冒泡订单转换为有效历史订单的订单数据，根据订单数据确定订单特征、环境特征。
其中，本实施例提供的方法中，可以采集历史冒泡订单转换为有效历史订单的订单数据。该订单数据可以包括历史冒泡订单中的数据，还可以包括用户对历史冒泡订单进行操作，以使该冒泡订单中的信息改变的数据，还可以包括用户进行下单操作，生成的历史订单的数据。
比如，用户输入需求之后，服务器可以向用户终端反馈冒泡订单，用户若对当前的订单信息不满意，可以调整输入的需求，比如修改出行时间。则订单数据可以包括初始冒泡订单数据、修改后的冒泡订单数据。
图4为本申请一示例性实施例示出的冒泡订单与有效订单的对比示意图。
如图4左边的所示出的，为服务器向用户终端反馈的冒泡订单，用户可以对其进行操作，例如点击确认下单按键，从而将该冒泡订单转换为一有效订单。
图4右侧为一有效订单，当用户对冒泡订单进行确认操作之后，用户终端可以显示出该界面，即显示一有效订单。
具体的，用户点击了确认下单操作之后，后台服务器可以基于这一操作将冒泡订单转换为有效订单并发出该订单，以使订单对应的服务者接受订单。
可以对订单数据进行处理，提取其中包括的数据特征，具体包括订单特征以及环境特征。订单特征包括以下至少一种特征：价格特征、预估时间特征、规划路线特征；环境特征包括以下至少一种特征：天气特征、路况特征。
进一步的，订单特征会对用户对冒泡订单进行下单操作产生影响。比如价格过高，或者预估时间过长，用户可能不会下单，则一冒泡订单不会被转换为有效订单。此外，若规划的路线不合理，比如途径了拥堵区域，则用户也可能对该冒泡订单不满意，进而不进行下单操作。
实际应用时，环境特征也会对用户对冒泡订单进行下单操作产生影响。比如天气较差，例如寒冷、下雨、下雪等天气，用户更倾向于乘坐出租车出行。因此，用户更有可能对一冒泡订单进行下单操作。再比如，当路况较差时，比如堵车非常严重，则产生的通行费可能会较高，那么用户可能倾向于不进行下单操作。
步骤302，利用数据特征对预设树形模型进行训练，得到分析模型以及数据特征对应的基尼指数。
其中，本实施例提供的方法可以预先设置一树型模型，并利用机器学习的收到，使用获取的数据特征对树型模型进行训练，从而得到分析模型。
具体的训练过程与现有技术相似，不再赘述。
进一步的，可以根据分析模型确定基尼指数。分析模型是通过对一树形模型训练得到的，因此，分析模型中具有各个数据特征对应的基尼指数，从而能够在接收一冒泡订单对应的数据特征时，可以根据基尼指数对该冒泡订单进行分类。
步骤303，将实时冒泡订单输入分析模型得到预测结果，比对预测结果与实时冒泡订单对应的真实结果。
步骤304，根据预测结果与真实结果的比对结果，确定分析模型是否满足预设条件。
步骤303-304与步骤201-202的具体原理和实现方式类似，此处不再赘述。
若满足预设条件，则执行步骤305。若不满足预设条件，则继续执行步骤301。
步骤305，根据基尼指数对数据特征进行排序，并将排序靠前的预设数量个数据特征确定为目标数据特征。
若分析模型满足预设条件，则说明分析模块适应当前的情况，可以通过该分析模型确定的基尼指数，在数据特征中确定目标数据特征。
其中，可以根据基尼指数对数据特征进行排序，并将排序靠前的预设数量个数据特征确定为目标数据特征。比如，按照基尼指数从大到小的顺序对数据特征进行排序，并选取前N个数据特征作为目标数据特征。
具体的，这些目标数据特征能够影响用户下单，因此可以将确定的目标数据特征反馈给运营人员，运营人员可以根据目标数据特征制定运营策略。
进一步的，若分析模型不满足预设条件，则说明该分析模型不适应当前情况，可以重新采集历史订单数据并重新对其进行训练。
实际应用时，训练完毕一分析模型后，可以利用实时的冒泡订单对其进行检测，若符合预设条件，则根据分析模型输出的基尼指数确定目标数据特征。此后，还可以继续利用实时冒泡订单对该分析模型进行检测，当检测结果不符合预设条件时，就重新对其进行训练。即本申请实施例提供的方法中，分析模型不是一成不变的，可以结合实际情况确定是否需要重新对其进行训练，从而使得分析模型与一直与当前情况适应。进而使得根据分析模型确定的目标数据特征与当前情况适应，根据目标数据特征确定的运营策略，能够有效提高订单有效转换率。
图5为本发明一示例性实施例示出的影响订单有效转换的特征的确定装置的结构图。
如图5所示，本实施例提供的影响订单有效转换的特征的确定装置，包括：
训练模块51，用于获取历史订单中的数据特征，并利用所述数据特征对预设模型进行训练，得到分析模型以及所述数据特征对应的评估指数；
测试模块52，用于将实时冒泡订单输入所述分析模型得到预测结果，比对所述预测结果与所述实时冒泡订单对应的真实结果；
判断模块53，用于根据所述预测结果与所述真实结果的比对结果，确定所述分析模型是否满足预设条件；
确定模块54，用于若满足所述预设条件，则根据所述评估指数确定预设数量个影响订单有效转换的目标数据特征。
本实施例提供的影响订单有效转换的特征的确定装置，包括：训练模块，用于获取历史订单中的数据特征，并利用数据特征对预设模型进行训练，得到分析模型以及数据特征对应的评估指数；测试模块，用于将实时冒泡订单输入分析模型得到预测结果，比对预测结果与实时冒泡订单对应的真实结果；判断模块，用于根据预测结果与真实结果的比对结果，确定分析模型是否满足预设条件；确定模块，用于若满足预设条件，则根据评估指数确定预设数量个影响订单有效转换的目标数据特征。本实施例提供的装置中，在得到分析模型以及各个数据特征的评估指数之后，还可以利用实时冒泡订单对分析模型进行测试，以确定利用历史数据训练的模型是否适应当前情况中的样本数据，从而确定符合当前情况的目标数据特征。避免利用一成不变的分析模型确定固定的目标数据特征，而这些目标数据特征与当前情况不符的问题。
本实施例提供的影响订单有效转换的特征的确定装置的具体原理和实现方式均与图2所示的实施例类似，此处不再赘述。
图6为本发明另一示例性实施例示出的影响订单有效转换的特征的确定装置的结构图。
如图6所示，在上述实施例的基础上，本实施例提供的影响订单有效转换的特征的确定装置，可选的，若不满足所述预设条件，则所述训练模块51继续执行获取历史订单中的数据特征，并利用所述数据特征对预设模型进行训练的步骤。
可选的，所述训练模块51包括特征提取单元511，用于：
获取历史冒泡订单转换为有效历史订单的订单数据；
根据所述订单数据确定订单特征、环境特征。
可选的，所述订单特征包括以下至少一种特征：价格特征、预估时间特征、规划路线特征；
所述环境特征包括以下至少一种特征：天气特征、路况特征。
可选的，所述预设模型包括树形模型；
所述评估指数包括基尼指数。
可选的，所述训练模块51具体用于：
根据所述分析模型确定所述基尼指数。
可选的，所述确定模块54，包括：
排序单元541，用于根据所述基尼指数对所述数据特征进行排序；
确定单元542，用于将排序靠前的预设数量个数据特征确定为目标数据特征。
本实施例提供的影响订单有效转换的特征的确定装置的具体原理和实现方式均与图3所示的实施例类似，此处不再赘述。
图7为本发明一示例性实施例示出的影响订单有效转换的特征的确定设备的结构图。
如图7所示，本实施例提供的影响订单有效转换的特征的确定设备包括：
存储器71；
处理器72；以及
计算机程序；
其中，所述计算机程序存储在所述存储器71中，并配置为由所述处理器72执行以实现如上所述的任一种影响订单有效转换的特征的确定方法。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，
所述计算机程序被处理器执行以实现如上所述的任一种影响订单有效转换的特征的确定方法。
本实施例还提供一种计算机程序，包括程序代码，当计算机运行所述计算机程序时，所述程序代码执行如上所述的任一种影响订单有效转换的特征的确定方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种影响订单有效转换的特征的确定方法，其特征在于，包括：
获取历史订单中的数据特征，并利用所述数据特征对预设模型进行训练，得到分析模型以及所述数据特征对应的评估指数；
将实时冒泡订单输入所述分析模型得到预测结果，比对所述预测结果与所述实时冒泡订单对应的真实结果；
根据所述预测结果与所述真实结果的比对结果，确定所述分析模型是否满足预设条件；
若满足所述预设条件，则根据所述评估指数确定预设数量个影响订单有效转换的目标数据特征。
2.根据权利要求1所述的方法，其特征在于，若不满足所述预设条件，则继续执行获取历史订单中的数据特征，并利用所述数据特征对预设模型进行训练的步骤。
3.根据权利要求1所述的方法，其特征在于，所述获取历史订单中的数据特征，包括：
获取历史冒泡订单转换为有效历史订单的订单数据；
根据所述订单数据确定订单特征、环境特征。
4.根据权利要求3所述的方法，其特征在于，
所述订单特征包括以下至少一种特征：价格特征、预估时间特征、规划路线特征；
所述环境特征包括以下至少一种特征：天气特征、路况特征。
5.根据权利要求1所述的方法，其特征在于，所述预设模型包括树形模型；
所述评估指数包括基尼指数。
6.根据权利要求5所述的方法，其特征在于，根据所述分析模型确定所述基尼指数。
7.根据权利要求5所述的方法，其特征在于，所述根据所述评估指数确定预设数量个影响订单有效转换的目标数据特征，包括：
根据所述基尼指数对所述数据特征进行排序，并将排序靠前的预设数量个数据特征确定为目标数据特征。
8.一种影响订单有效转换的特征的确定装置，其特征在于，包括：
训练模块，用于获取历史订单中的数据特征，并利用所述数据特征对预设模型进行训练，得到分析模型以及所述数据特征对应的评估指数；
测试模块，用于将实时冒泡订单输入所述分析模型得到预测结果，比对所述预测结果与所述实时冒泡订单对应的真实结果；
判断模块，用于根据所述预测结果与所述真实结果的比对结果，确定所述分析模型是否满足预设条件；
确定模块，用于若满足所述预设条件，则根据所述评估指数确定预设数量个影响订单有效转换的目标数据特征。
9.一种影响订单有效转换的特征的确定设备，其特征在于，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如权利要求1-7任一种所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，
所述计算机程序被处理器执行以实现如权利要求1-7任一种所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010081832.6A CN111242506A (zh) | 2020-02-06 | 2020-02-06 | 影响订单转换的特征的确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010081832.6A CN111242506A (zh) | 2020-02-06 | 2020-02-06 | 影响订单转换的特征的确定方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111242506A true CN111242506A (zh) | 2020-06-05 |
Family
ID=70864908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010081832.6A Pending CN111242506A (zh) | 2020-02-06 | 2020-02-06 | 影响订单转换的特征的确定方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111242506A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104573877A (zh) * | 2015-01-29 | 2015-04-29 | 广州供电局有限公司 | 配电网设备需求量预测和定量方法及其系统 |
| CN108345958A (zh) * | 2018-01-10 | 2018-07-31 | 拉扎斯网络科技（上海）有限公司 | 一种订单出餐时间预测模型构建、预测方法、模型和装置 |
| CN109598534A (zh) * | 2018-10-25 | 2019-04-09 | 北京三快在线科技有限公司 | 信息确定方法及装置、电子设备及存储介质 |
| CN110503206A (zh) * | 2019-08-09 | 2019-11-26 | 阿里巴巴集团控股有限公司 | 一种预测模型更新方法、装置、设备及可读介质 |
-
2020
- 2020-02-06 CN CN202010081832.6A patent/CN111242506A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104573877A (zh) * | 2015-01-29 | 2015-04-29 | 广州供电局有限公司 | 配电网设备需求量预测和定量方法及其系统 |
| CN108345958A (zh) * | 2018-01-10 | 2018-07-31 | 拉扎斯网络科技（上海）有限公司 | 一种订单出餐时间预测模型构建、预测方法、模型和装置 |
| CN109598534A (zh) * | 2018-10-25 | 2019-04-09 | 北京三快在线科技有限公司 | 信息确定方法及装置、电子设备及存储介质 |
| CN110503206A (zh) * | 2019-08-09 | 2019-11-26 | 阿里巴巴集团控股有限公司 | 一种预测模型更新方法、装置、设备及可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108364106A (zh) | 一种报销单风险预测方法、装置、终端设备及存储介质 | |
| CN112348520A (zh) | 基于XGBoost的风险评估方法、装置和电子设备 | |
| CN103617435B (zh) | 一种主动学习图像分类方法和系统 | |
| CN105354198B (zh) | 一种数据处理方法及装置 | |
| CN112235327A (zh) | 异常日志检测方法、装置、设备和计算机可读存储介质 | |
| CN112298844B (zh) | 一种垃圾分类监督方法及装置 | |
| CN111796957B (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
| CN115034315B (zh) | 基于人工智能的业务处理方法、装置、计算机设备及介质 | |
| CN112015779A (zh) | 学生偏好预测的方法、系统和装置 | |
| CN113543117A (zh) | 携号转网用户的预测方法、装置及计算设备 | |
| CN117615359B (zh) | 基于多种规则引擎的蓝牙数据传输方法及系统 | |
| CN118295842A (zh) | 交易系统异常事件的数据处理方法、装置和服务器 | |
| CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
| CN114077663A (zh) | 应用日志的分析方法及装置 | |
| CN116629716A (zh) | 一种智能交互系统工效分析方法 | |
| CN116861236A (zh) | 违规用户识别方法、装置、设备、存储介质以及产品 | |
| CN111242506A (zh) | 影响订单转换的特征的确定方法、装置、设备及存储介质 | |
| CN115936282A (zh) | 一种清分模型的优化方法、装置、电子设备及存储介质 | |
| CN116052417A (zh) | 一种行驶预测方法、装置、设备和可读存储介质 | |
| KR102532197B1 (ko) | 객체탐지모형을 적용한 주가등락 예측장치 | |
| CN111654853B (zh) | 一种基于用户信息的数据分析方法 | |
| Yang et al. | A Deep Learning-based Framework for Vehicle License Plate Detection. | |
| CN113449923A (zh) | 一种多模型标的物行情预测方法和装置 | |
| CN113962216A (zh) | 文本处理方法、装置、电子设备及可读存储介质 | |
| CN111860334A (zh) | 一种基于混淆度矩阵的级联车型分类方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200605 |
|
| RJ01 | Rejection of invention patent application after publication |